Apprentissage profond pour l'approximation d'une distance d'édition entre graphes

Guillaume Renton (1, 2) , Benoît Gaüzère (1, 2) , Pierre Héroux (1, 2) , Sébastien Adam (1, 2)

1 LITIS - Laboratoire d'Informatique, de Traitement de l'Information et des Systèmes
2 DocApp - LITIS - Equipe Apprentissage

Dans cet article, nous proposons une méthode d'appproximation de la distance d'édition entre graphes basée sur l'utilisation de deux techniques récentes d'apprentissage profond : la convolution dilatée et le Spatial Pyramid Pooling (SPP). L'approche proposée prend en entrée la matrice de taille variable utilisée par l'approximation BP-GED [RNB07]. Après une transformation permettant d'introduire une invariance aux permutations dans la matrice, la combinaison des deux techniques d'apprentissage permet d'obtenir un vecteur de caractéristiques de taille fixe, utilisé en entrée de couches denses modélisant un régresseur. L'approche proposée est évaluée sur deux bases de graphes de référence. Les résultats obtenus sont comparés avec ceux de la seule approche qui exploite de l'apprentissage pour approximer la distance d'édition. Les résultats obtenus, bien qu'à confirmer sur un nombre plus important de bases, montrent la supériorité de l'approche proposée.

Mots clés: Distance d'édition entre graphe; Approximation de distance; Apprentissage profond

Domaines: Apprentissage [cs.LG]

Guillaume Renton, Benoît Gaüzère, Pierre Héroux, Sébastien Adam. Apprentissage profond pour l'approximation d'une distance d'édition entre graphes. Conférence sur l'Apprentissage Automatique, Jun 2018, Rouen, France. ⟨hal-02057866⟩