« Réseau neuronal de graphes auto-attentif » : différence entre les versions

Dernière version du 28 janvier 2024 à 13:12

Définition

Architecture de réseau de neurones pour l'apprentissage automatique à partir de données structurées en graphes, qui exploite des couches d'auto-attention masquées afin de remédier aux lacunes des méthodes antérieures basées sur les réseaux convolutifs.

Compléments

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

Français

réseau neuronal de graphes auto-attentif

réseau de graphes auto-attentif

RGAA

RNGAA

Anglais

graph attention network

GAT

graph attention neural network

GANN

graph transformer

Sources

Source : MILA

Source : paperswithcode

Source: arXiv

@@ Ligne 1 : / Ligne 1 : @@
-==en construction==
+== Définition ==
+Architecture de réseau de neurones pour l'apprentissage automatique à partir de données structurées en graphes, qui exploite des couches d'auto-attention masquées afin de remédier aux lacunes des méthodes antérieures basées sur les [[réseau convolutif|réseaux convolutifs]].
+== Compléments ==
-== Définition ==
+On recense 3 approches à l'apprentissage automatique à partir de graphes : 1) l'utilisation d'un réseau convolutif (c.-à-d. [[réseau neuronal de graphes convolutif]]), 2) l'utilisation d'un réseau récurrent (c.-à-d. [[réseau neuronal de graphes récurrent]]) et 3) l'utilisation d'un réseau auto-attentif (c.-à-d. réseau de graphes auto-attentif).
-XXXXXXXXX
 == Français ==
-''' XXXXXXXXX '''
+''' réseau neuronal de graphes auto-attentif '''
+''' réseau de graphes auto-attentif '''
+''' RGAA '''
+''' RNGAA '''
 == Anglais ==
-''' Graph Attention Network'''
+''' graph attention network'''
+''' GAT '''
+''' graph attention neural network'''
+''' GANN '''
+'''graph transformer'''
+<!-- 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. -->
- 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.
+==Sources==
-<small>
+[https://mila.quebec/wp-content/uploads/2018/07/d1ac95b60310f43bb5a0b8024522fbe08fb2a482.pdf Source : MILA]
 [https://paperswithcode.com/method/gat   Source : paperswithcode]
+[https://arxiv.org/abs/2207.10168   Source: arXiv ]
-[[Catégorie:vocabulary]]
+[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

« Réseau neuronal de graphes auto-attentif » : différence entre les versions