« Réseau neuronal de graphes » : différence entre les versions

Version du 28 février 2023 à 16:24

Définition

Architecture de réseau de neurones pour l'apprentissage automatique à partir de données structurées en graphes.

Compléments

Terme à proscrire : réseau de neurones graphique

On recense 3 approches à l'apprentissage automatique à partir de graphes : 1) l'utilisation d'un réseau convolutif (c.-à-d. réseau de graphes convolutif), 2) l'utilisation d'un réseau récurrent (c.-à-d. réseau de graphes récurrent) et 3) l'utilisation d'un réseau auto-attentif (c.-à-d. réseau de graphes auto-attentif).

Français

réseau de graphes

réseau neuronal de graphes

RNG

Anglais

graph network

graph neural network

GNN

Source : Université IBN-KHALDOUN Tiaret

Source : Institut national de l'information géographique et forestière

Source : Distill

@@ Ligne 5 : / Ligne 5 : @@
 '''Terme à proscrire : ''' '''réseau de neurones graphique'''
-On recense 3 approches à l'apprentissage automatique à partir de graphes : 1) l'utilisation d'un réseau convolutif (c.-à-d. réseau convolutif de graphes), 2) l'utilisation d'un réseau récurrent (c.-à-d. réseau récurrent de graphes) et 3) l'utilisation d'un réseau auto-attentif (c.-à-d. [[réseau de graphes auto-attentif]]).
+On recense 3 approches à l'apprentissage automatique à partir de graphes : 1) l'utilisation d'un réseau convolutif (c.-à-d. réseau de graphes convolutif), 2) l'utilisation d'un réseau récurrent (c.-à-d. réseau de graphes récurrent) et 3) l'utilisation d'un réseau auto-attentif (c.-à-d. [[réseau de graphes auto-attentif]]).
@@ Ligne 25 : / Ligne 25 : @@
-<!-- A Graph Attention Network (GAT) is a neural network architecture that operates on graph-structured data, leveraging masked self-attentional layers to address the shortcomings of prior methods based on graph convolutions or their approximations. By stacking layers in which nodes are able to attend over their neighborhoods’ features, a GAT enables (implicitly) specifying different weights to different nodes in a neighborhood, without requiring any kind of costly matrix operation (such as inversion) or depending on knowing the graph structure upfront. -->
 <small>
-[https://mila.quebec/wp-content/uploads/2018/07/d1ac95b60310f43bb5a0b8024522fbe08fb2a482.pdf Source : MILA]
+[http://dspace.univ-tiaret.dz/bitstream/123456789/5705/1/TH.M.INF.FR.2022.18.pdf  Source : Université IBN-KHALDOUN Tiaret]
-[https://paperswithcode.com/method/gat   Source : paperswithcode]
+[https://documentation.ensg.eu/index.php?lvl=categ_see&id=34088 Source : Institut national de l'information géographique et forestière ]
-[https://arxiv.org/abs/2207.10168   Source: arXiv ]
-[https://documentation.ensg.eu/index.php?lvl=categ_see&id=34088 Source : Institut national de l'information géographique et forestière ]
+[https://distill.pub/2021/gnn-intro/   Source :  Distill ]
 [[Catégorie:Publication]]