Application de GNN sur des graphes non-attribués : Benchmark de performances - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Application of GNN on non-attributed graphs: Benchmark of performance

Application de GNN sur des graphes non-attribués : Benchmark de performances

Christophe Bortolaso
Florent Mouysset

Résumé

Graph Neural network (GNN) is a deep learning method that builds a model linked to a graph. This learning allows the classification and prediction of nodes and/or missing edges. However, these approaches produce noteworthy results only when the features on the nodes are enough numerous. In the real-world, especially in industrial problems, these features may not always be as numerous which is not the case for "real-world problems". Indeed, due to the origin of the data and their uncontrolled generation process, the resulting graphs may contain few features or even none. In addition, certain legal constraints may limit the use of data. In this article, we show that graphs derived from traces of user activity (logs) also have such limits. Our demonstration begins with a summary of the state of the art justifying the use of GNNs for the classification task in our use case. Thereafter, we detail the experiments conducted on our corpus of field data (logs from the Sedit product produced by Berger-Levrault). The results demonstrate the effective limitations of GNNs. Finally, some approaches that can offer solutions to this problem are put forward.
Les Graph Neural Networks (GNNs) sont des méthodes d'apprentissage profond construisant un modèle lié à un graphe. Cet apprentissage rend possible la classification et la prédiction de noeuds ou d'arêtes manquantes. Cependant, ces approches produisent des résultats significatifs lorsque les features sur les noeuds sont suffisamment nombreuses, ce qui n'est pas le cas pour les problèmes de terrain. En effet, du fait de l'origine des données et de leur génération non maîtrisée, les graphes résultants contiennent peu de features. En outre certaines contraintes légales, peuvent limiter l'utilisation des données. Dans cet article, nous montrons que des graphes issus de traces d'activité utilisateur (logs) comportent également de telles limites. Notre démonstration commence par une synthèse de l'état de l'art justifiant notre utilisation des GNNs pour la tâche de classification. Par la suite, nous détaillons les expérimentations conduites sur notre corpus de données de terrain (logs issus du produit Sedit produit par Berger-Levrault). Les résultats démontrent les limites effectives des GNNs. Enfin, certaines approches pouvant proposer des solutions à ce problème sont avancées
Fichier principal
Vignette du fichier
Inforsid_2022_Forum_JCJC_Résumé_Boukharouba_Ikram.pdf (193.27 Ko) Télécharger le fichier
Inforsid_2022_Forum_JCJC_Boukharouba_Ikram.pdf (590.64 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03783370 , version 1 (11-10-2022)

Identifiants

  • HAL Id : hal-03783370 , version 1

Citer

Ikram Boukharouba, Florence Sèdes, Christophe Bortolaso, Florent Mouysset. Application de GNN sur des graphes non-attribués : Benchmark de performances. 40ème Congrès annuel INFormatique des ORganisations et Systèmes d'Information et de Décision (INFORSID 2022), May 2022, Dijon, France. à paraître. ⟨hal-03783370⟩
111 Consultations
44 Téléchargements

Partager

Gmail Facebook X LinkedIn More