Un modèle unifié pour la classification de signaux sur graphe avec de l’apprentissage profond
Nous proposons de passer en revue quelques-uns des principaux modèles utilisés pour la classification supervisée de signaux sur graphe avec de l’apprentissage profond. L’objectif de la classification supervisée de signaux sur graphe est de classer un signal dont les composantes sont définies sur les sommets d’un graphe. Le réseau de neurones convolutif (CNN) est très performant pour classer des signaux définis sur un graphe « grille » (comme les images). Cependant, comme il ne peut pas être utilisé sur des signaux définis sur un graphe quelconque, d’autres modèles sont apparus, essayant d’appliquer ses propriétés à n’importe quel graphe. L’objectif général de cette étude est de comparer certains des principaux modèles de classification supervisée des signaux sur graphe. Nous proposons également un formalisme unifié.
Download manuscript.
Bibtex@inproceedings{BonLasViaGri201908,
author = {Myriam Bontonou and Carlos Lassance and
Jean-Charles Vialatte and Vincent Gripon},
title = {Un modèle unifié pour la classification
de signaux sur graphe avec de l’apprentissage
profond},
booktitle = {GRETSI},
year = {2019},
month = {August},
}