Exploitation de structures de graphes dans les réseaux de neurones par transformée de scattering géométrique

Les approches d’apprentissage profond sont à la frontière de l’apprentissage automatique moderne. Cependant, leurs avantages sont plus évidents lorsqu’ils sont appliqués aux données avec des structures spatiotemporelles ou géométriques, utilisées à la conception et dans les architectures des réseaux de neurones artificiels. Ce projet propose d’étudier l’utilisation des structures géométriques dans les réseaux de neurones, en mettant l’accent sur le traitement de graphes, ce qui généralise les opérations des réseaux neuronaux convolutifs et récurrents. À cette fin, nous exploitons la transformée de scattering géométrique récemment développée. En particulier, ce projet se concentre sur deux objectifs principaux: (a) une architecture inspirée par scattering pour les réseaux de neurones sur les graphes, et (b) le plongement et l’interpolation de graphes avec des réseaux de scattering géométrique. Ces objectifs feront progresser les domaines très actifs de l’apprentissage de la représentation de graphes et de l’apprentissage profond géométrique, qui sont à la frontière de la recherche moderne en apprentissage automatique. En outre, l’incorporation réussie de la régularité d’ordre élevé extraite par les réseaux de scattering dans les réseaux de neurones sur les graphes allégera certains des principaux défis dans ces domaines et fournira une nouvelle compréhension fondamentale de la capacité des réseaux neuronaux à incorporer des informations de structure de graphes en particulier, et la considération géométrique en général, au-delà des structures séquentielles et spatiales traditionnelles. En plus de l’impact direct de cette recherche sur la recherche en apprentissage automatique, elle contribuera également au rôle de premier plan du Québec en matière d’IA, en plus d’aider à recruter et à former des PHQ dans la recherche de pointe en apprentissage automatique.