Graph Neural Network (GNN)

Un Graph Neural Network (GNN) est une classe spécialisée d'architectures de deep learning conçue pour traiter des données représentées sous forme de graphes. Alors que les modèles traditionnels comme les Convolutional Neural Networks (CNNs) sont optimisés pour des structures en grille comme les images, et que les Recurrent Neural Networks (RNNs) excellent dans les données séquentielles comme le texte ou Time Series Analysis, les GNNs sont capables de traiter des données non euclidiennes de manière unique. Cela signifie qu'ils fonctionnent sur des ensembles de données définis par des nœuds (entités) et des arêtes (relations), leur permettant d'apprendre à partir des interdépendances complexes qui caractérisent les réseaux du monde réel. En capturant à la fois les attributs des points de données individuels et les connexions structurelles entre eux, les GNNs ouvrent des perspectives puissantes dans des domaines où les relations sont tout aussi critiques que les entités elles-mêmes.

Comment fonctionnent les réseaux de neurones sur graphe#

Le mécanisme fondamental derrière un GNN est un processus souvent appelé "passage de messages" ou agrégation de voisinage. Dans ce cadre, chaque nœud du graphe met à jour sa propre représentation en rassemblant des informations auprès de ses voisins immédiats. Pendant l'model training, le réseau apprend à produire des embeddings efficaces — des représentations vectorielles denses — qui codent les caractéristiques d'un nœud ainsi que la topologie de son voisinage local.

Grâce à de multiples couches de traitement, un nœud peut finirent par incorporer des informations provenant de plus loin dans le graphe, élargissant ainsi efficacement son "champ réceptif". Cela permet au modèle de comprendre le contexte d'un nœud au sein de la structure plus large. Les frameworks modernes comme PyTorch Geometric et le Deep Graph Library (DGL) facilitent la mise en œuvre de ces schémas complexes de passage de messages, permettant aux développeurs de construire des applications sophistiquées basées sur des graphes sans partir de zéro.

GNN vs autres architectures neuronales#

Pour apprécier le rôle distinct des GNNs, il est utile de les différencier des autres types de neural network (NN) courants que l'on trouve dans le paysage de l'IA :

• Convolutional Neural Networks (CNNs) : Ce sont la référence absolue pour les tâches visuelles, telles que l'image classification ou l'object detection. Des modèles comme Ultralytics YOLO26 s'appuient sur des CNNs pour traiter des données de pixels sur grille fixe. Cependant, les CNNs ont du mal avec les structures irrégulières où le nombre de voisins varie pour chaque nœud.
• Recurrent Neural Networks (RNNs) : Les RNNs traitent les entrées dans une séquence spécifique, ce qui les rend idéaux pour les tâches de langage ou le Natural Language Processing (NLP). En revanche, les GNNs traitent des données où les relations sont spatiales ou relationnelles plutôt que strictement temporelles ou séquentielles.
• Knowledge Graph : Un knowledge graph est une base de données structurée de faits (entités et relations), tandis qu'un GNN est le modèle de calcul utilisé pour apprendre à partir de telles structures. Les GNNs sont fréquemment déployés au-dessus de knowledge graphs pour effectuer des tâches telles que la prédiction de liens, améliorant souvent les pipelines de Retrieval-Augmented Generation (RAG).

Applications concrètes#

La capacité à modéliser des relations arbitraires rend les GNN indispensables dans divers secteurs à fort impact :

1. Découverte de médicaments et soins de santé : Dans l'industrie pharmaceutique, les molécules chimiques sont naturellement représentées sous forme de graphes où les atomes sont des nœuds et les liaisons sont des arêtes. Les GNNs transforment l'AI in healthcare en prédisant les propriétés moléculaires et en simulant les interactions protéiques. Des innovations telles que AlphaFold by Google DeepMind mettent en évidence la puissance du deep learning géométrique pour comprendre les structures biologiques.

2. Analyse des réseaux sociaux et recommandation : Les plates-formes utilisent des GNNs pour analyser de vastes réseaux d'interactions d'utilisateurs. En modélisant les utilisateurs comme des nœuds et les amitiés ou les j'aime comme des arêtes, ces réseaux alimentent des Recommendation Systems qui suggèrent du contenu, des produits ou des connexions. Cette approche, similaire aux méthodes utilisées dans Pinterest's GraphSage, s'adapte efficacement à des milliards d'interactions.

3. Logistique et prédiction du trafic : Dans l'AI in logistics, les réseaux routiers sont traités comme des graphes où les intersections sont des nœuds et les routes sont des arêtes. Les GNNs peuvent prédire le flux de trafic et optimiser les itinéraires de livraison en analysant les dépendances spatiales entre les différents segments de route, surpassant largement les simples bases de référence statistiques.

Intégration des concepts de graphes avec l'IA de vision#

Les Graph Neural Networks sont de plus en plus intégrés dans des pipelines multimodaux. Par exemple, un système complet peut utiliser l'image segmentation pour identifier des objets distincts dans une scène, puis employer un GNN pour raisonner sur les relations spatiales entre ces objets — souvent appelé "Scene Graph". Cela comble le fossé entre la perception visuelle et le raisonnement logique.

L'exemple Python suivant montre comment relier la Vision AI aux structures de graphes. Il utilise le modèle Ultralytics YOLO26 pour détecter des objets, qui servent de nœuds, et prépare une structure de graphe de base en utilisant torch.

import torch
from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image to find entities (nodes)
results = model("https://ultralytics.com/images/bus.jpg")

# Extract box centers to serve as node features
# Format: [center_x, center_y] derived from xywh
boxes = results[0].boxes.xywh[:, :2].cpu()
x = torch.tensor(boxes.numpy(), dtype=torch.float)

# Create a hypothetical edge index connecting the first two objects
# In a real GNN, edges might be defined by distance or interaction
edge_index = torch.tensor([[0, 1], [1, 0]], dtype=torch.long)

print(f"Graph constructed: {x.size(0)} nodes (objects) and {edge_index.size(1)} edges.")

Les développeurs cherchant à gérer les ensembles de données requis pour ces pipelines complexes peuvent utiliser la Ultralytics Platform, qui simplifie les flux de travail d'annotation et d'entraînement pour les composants de vision du système. En combinant des modèles de vision robustes avec le raisonnement relationnel des GNNs, les ingénieurs peuvent construire des systèmes autonomes conscients du contexte qui comprennent mieux le monde qui les entoure.