Les Graph Neural Networks (GNN) sont des algorithmes de deep learning qui permettent de travailler sur des données sous forme de graphes. Ces algorithmes suscitent de plus en plus d’intérêt dans la communauté ML car la structure des graphes est beaucoup plus flexible que celle des images ou des données séquentielles, ce qui permet la modélisation d’un grand nombre de problèmes (réseaux sociaux, molécules, graphes de connaissance etc.).
Au cours de ce séminaire, nous nous sommes intéressés aux techniques qui permettent d’étendre aux graphes les opérations de poolings traditionnellement utilisées dans les CNNs et qui permettent de traiter l’information à différentes échelles. C’était en particulier l’occasion de présenter l’article Graph U-Nets qui propose une généralisation du fameux réseau de neurones U-Net (initialement conçu pour les images) aux graphes.