{"id":198543,"date":"2023-04-25T09:52:03","date_gmt":"2023-04-25T09:52:03","guid":{"rendered":"https:\/\/datascientest.com\/?p=198543"},"modified":"2023-11-09T13:52:34","modified_gmt":"2023-11-09T13:52:34","slug":"graph-neural-networks-tout-savoir","status":"publish","type":"post","link":"https:\/\/datascientest.com\/graph-neural-networks-tout-savoir","title":{"rendered":"Graph Neural Networks (GNN): qu&rsquo;est-ce que c&rsquo;est ?"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"198543\" class=\"elementor elementor-198543\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-0861f79 e-flex e-con-boxed e-con\" data-id=\"0861f79\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-2de6491 elementor-widget elementor-widget-heading\" data-id=\"2de6491\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><h2 class=\"elementor-heading-title elementor-size-default\">Les Graph Neural Networks (GNN) ou r\u00e9seaux de neurones en graphes sont des r\u00e9seaux de neurones particuliers utiles pour r\u00e9soudre des probl\u00e8mes difficiles \u00e0 partir de graphes qui constituent une structure de donn\u00e9es complexe. D\u00e9couvrez ci-dessous plus de d\u00e9tails sur le fonctionnement, les architectures et les applications des GNN. <\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-7987454 e-flex e-con-boxed e-con\" data-id=\"7987454\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-a8ac87c elementor-widget elementor-widget-heading\" data-id=\"a8ac87c\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">En quoi consistent les r\u00e9seaux de neurones graphiques ?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3c389bc elementor-widget elementor-widget-text-editor\" data-id=\"3c389bc\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<p><span style=\"font-weight: 400;\">Avec le d\u00e9veloppement exponentiel de la data science, le <a href=\"https:\/\/datascientest.com\/machine-learning-tout-savoir\">Machine Learning<\/a> a subi \u00e9galement de nouveaux changements <strong>pour s\u2019adapter aux \u00e9volutions des structures de donn\u00e9es et \u00e0 la demande<\/strong>. Ainsi, avec l&rsquo;apparition de nouveaux types de donn\u00e9es et la multiplication de donn\u00e9es non structur\u00e9es, il est devenu n\u00e9cessaire de cr\u00e9er des mod\u00e8les d\u2019apprentissage automatique capables de s\u2019adapter \u00e0 des donn\u00e9es non structur\u00e9es comme des graphes. <\/span><\/p><p><span style=\"font-weight: 400;\">C\u2019est le cas par exemple des R\u00e9seaux de Neurones Graphiques en anglais Graph Neural Networks (GNN) capables de manipuler des donn\u00e9es issues d\u2019un graphe. Les GNN constituent ainsi un prolongement des <a href=\"https:\/\/datascientest.com\/deep-neural-network\">r\u00e9seaux de neurones<\/a> <\/span><span style=\"font-weight: 400;\">conventionnels issus du Deep Learning qui sont utilis\u00e9s pour traiter des donn\u00e9es structur\u00e9es. Les graphes sont des structures de donn\u00e9es complexes non structur\u00e9es utiles qui peuvent permettre de repr\u00e9senter des ph\u00e9nom\u00e8nes r\u00e9els comme des syst\u00e8mes de navigation routi\u00e8re a\u00e9rienne ainsi que des structures de mol\u00e9cules.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-e41b11f e-flex e-con-boxed e-con\" data-id=\"e41b11f\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-db3ae39 elementor-widget elementor-widget-heading\" data-id=\"db3ae39\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Qu\u2019est ce qu\u2019un graphe ?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-45f8987 elementor-widget elementor-widget-text-editor\" data-id=\"45f8987\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Un graphe est <strong>une structure de donn\u00e9es complexe utilis\u00e9e pour repr\u00e9senter des objets et des relations entre eux<\/strong>. Un graphe est constitu\u00e9 d\u2019un ensemble de n\u0153uds (en anglais nodes) et d\u2019ar\u00eates (en anglais edges ou links). Les ar\u00eates permettent de relier les diff\u00e9rents n\u0153uds entre eux. Les ar\u00eates peuvent \u00eatre orient\u00e9es ou non orient\u00e9es. Dans un graphe orient\u00e9, les ar\u00eates ont une direction qui indique le sens de la relation, alors que dans un graphe non orient\u00e9, les ar\u00eates n&rsquo;ont pas de direction.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-763bcd9 elementor-widget elementor-widget-image\" data-id=\"763bcd9\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1069\" height=\"713\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/Graph-oriente.png\" class=\"attachment-full size-full wp-image-198546\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/Graph-oriente.png 1069w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/Graph-oriente-300x200.png 300w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/Graph-oriente-1024x683.png 1024w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/Graph-oriente-768x512.png 768w\" sizes=\"(max-width: 1069px) 100vw, 1069px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b687528 elementor-widget elementor-widget-text-editor\" data-id=\"b687528\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Plus concr\u00e8tement, <strong>les n\u0153uds peuvent repr\u00e9senter des utilisateurs d\u2019un r\u00e9seau social<\/strong> alors que les liens correspondent aux amiti\u00e9s entre les utilisateurs On peut \u00e9galement voir un graphe comme la structure d\u2019une mol\u00e9cule, ou bien un r\u00e9seau de transport.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Dans le cas des GNN, un graphe utilise des vecteurs caract\u00e9ristiques (en anglais <strong>embeddings<\/strong>) pour encoder l\u2019ensemble des informations relatives \u00e0 un graphe comme sa structure et ses relations. Les embeddings construisent ainsi une repr\u00e9sentation num\u00e9rique d\u2019un graphe qui pourra \u00eatre utilis\u00e9 par la suite pour entra\u00eener des <a href=\"https:\/\/datascientest.com\/3-algorithmes-de-machine-learning-utiles-pour-votre-business\">algorithmes de Machine Learning<\/a>. <\/span><\/p><p><span style=\"font-weight: 400;\">Dans un graphe, les embeddings sont de deux types : les node embeddings (<strong>embedding de n\u0153ud<\/strong>) et les embeddings d\u2019ar\u00eates. Les node embeddings permettent de repr\u00e9senter les propri\u00e9t\u00e9s de chaque n\u0153ud et les embeddings d\u2019ar\u00eates sont utilis\u00e9s pour mod\u00e9liser les propri\u00e9t\u00e9s des relations entre les n\u0153uds.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-78e3a1d elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"78e3a1d\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/formations-data\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">D\u00e9couvrir nos formations en Data<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-e2910ca e-flex e-con-boxed e-con\" data-id=\"e2910ca\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-7c9f0e8 elementor-widget elementor-widget-heading\" data-id=\"7c9f0e8\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Comment fonctionnent les r\u00e9seaux de neurones graphiques ?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b5f8f2e elementor-widget elementor-widget-text-editor\" data-id=\"b5f8f2e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Le fonctionnement des r\u00e9seaux de neurones graphiques est bas\u00e9 sur une technique appel\u00e9e le \u00ab\u00a0message passing\u00a0\u00bb. Cette technique permet de<strong> traiter l\u2019information \u00e0 travers un \u00e9change d\u2019information entre les n\u0153uds d\u2019un graphe et leurs voisins<\/strong>. Le but de cette technique est de modifier l\u2019\u00e9tat de chaque n\u0153ud en utilisant les informations locales issues de ses voisins et celles contenus dans les ar\u00eates.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Plus concr\u00e8tement, le \u00ab\u00a0message passing\u00a0\u00bb transmet l\u2019information contenue dans les <strong>node embeddings<\/strong> gr\u00e2ce aux ar\u00eates du graphe. En effet, chaque n\u0153ud envoie un message \u00e0 ses n\u0153uds voisins en utilisant son node embedding. Chaque message contient des informations sur le n\u0153ud \u00e9metteur et des propri\u00e9t\u00e9s sp\u00e9cifiques \u00e0 l\u2019ar\u00eate reliant le n\u0153ud \u00e0 son voisin. Le n\u0153ud destinataire combine ensuite tous les messages de ses voisins avec son <strong>embedding initial<\/strong> et les <strong>embeddings d\u2019ar\u00eates<\/strong> correspondants pour mettre \u00e0 jour son propre node embedding \u00e0 l\u2019aide d\u2019une fonction non lin\u00e9aire. La combinaison entre les messages des n\u0153uds voisins et de l\u2019embedding initial peut correspondre \u00e0 diff\u00e9rentes op\u00e9rations (somme, moyenne, maximum\u2026) selon le contexte.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">La technique de message passing est r\u00e9p\u00e9t\u00e9e \u00e0 plusieurs reprises pour permettre \u00e0 chacun des n\u0153uds d\u2019int\u00e9grer l\u2019information de ses voisins et ainsi de capturer de plus en plus d&rsquo;informations sur la structure du graphe. \u00c0 la fin du processus, chaque n\u0153ud contient un node embedding mis \u00e0 jour qui prend en compte l\u2019ensemble des caract\u00e9ristiques de ses voisins et des embeddings d\u2019ar\u00eates. Ainsi dans l\u2019embedding space qui correspond \u00e0 l\u2019espace vectoriel dans lequel les node embeddings sont regroup\u00e9s, la distance entre les node embeddings d\u00e9pend de leur similarit\u00e9. Plus les node embeddings sont similaires, plus ils sont proches.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Il faut \u00e9galement souligner que les <strong>fonctions de message passing<\/strong> sont invariantes par permutation de l\u2019ordre des n\u0153uds de voisins. Cela permet ainsi aux GNN, de consid\u00e9rer les interactions entre les n\u0153uds sans d\u00e9pendre de l\u2019ordre des n\u0153uds et d\u2019uniformiser les r\u00e9sultats obtenus.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1219422 elementor-widget elementor-widget-image\" data-id=\"1219422\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1193\" height=\"658\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/message-passing-neural-networks.png\" class=\"attachment-full size-full wp-image-198547\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/message-passing-neural-networks.png 1193w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/message-passing-neural-networks-300x165.png 300w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/message-passing-neural-networks-1024x565.png 1024w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/message-passing-neural-networks-768x424.png 768w\" sizes=\"(max-width: 1193px) 100vw, 1193px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-91ac7e8 elementor-widget elementor-widget-text-editor\" data-id=\"91ac7e8\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Pour entra\u00eener des GNN, des valeurs de poids al\u00e9atoires commencent par \u00eatre affect\u00e9es \u00e0 chacune des couches du r\u00e9seau de neurones. Ensuite, \u00e0 travers une fonction de co\u00fbt adapt\u00e9 au probl\u00e8me \u00e0 r\u00e9soudre qui est \u00e0 minimiser, <strong>les poids sont ajust\u00e9s sur les diff\u00e9rentes couches du r\u00e9seau<\/strong>. A travers la fonction de message passing, les poids des couches cach\u00e9es des GNN sont modifi\u00e9es en cons\u00e9quence.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0b3cb2c elementor-widget elementor-widget-image\" data-id=\"0b3cb2c\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1036\" height=\"448\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/Entrainement_GNN.jpg\" class=\"attachment-full size-full wp-image-198548\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/Entrainement_GNN.jpg 1036w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/Entrainement_GNN-300x130.jpg 300w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/Entrainement_GNN-1024x443.jpg 1024w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/Entrainement_GNN-768x332.jpg 768w\" sizes=\"(max-width: 1036px) 100vw, 1036px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Entra\u00eenement d\u2019un GNN<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-fd636f2 elementor-widget elementor-widget-text-editor\" data-id=\"fd636f2\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Une autre technique utilis\u00e9e pour les GNN est le pooling mais son application varie en fonction de l\u2019architecture utilis\u00e9e. En effet, apr\u00e8s la mise \u00e0 jour des embeddings des n\u0153uds apr\u00e8s de multiples it\u00e9rations de message passing, il peut s\u2019av\u00e9rer utile de <strong>r\u00e9duire la dimension de la repr\u00e9sentation num\u00e9rique du graphe pour pouvoir renforcer la capacit\u00e9 des mod\u00e8les \u00e0 traiter de grands graphes<\/strong>. C\u2019est ici que le pooling trouve son int\u00e9r\u00eat puisqu\u2019il produit un embedding global associ\u00e9 \u00e0 cette r\u00e9gion particuli\u00e8re du graphe. Cette embedding global est construit \u00e0 partir d\u2019une combinaison des node embeddings d\u2019une r\u00e9gion sp\u00e9cifique du graphe.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f3943f1 elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"f3943f1\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/formations-data\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Ma\u00eetriser le fonctionnement des GNN<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-43100f4 e-flex e-con-boxed e-con\" data-id=\"43100f4\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-1633ede elementor-widget elementor-widget-heading\" data-id=\"1633ede\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Quelles sont les diff\u00e9rentes architectures de GNN ?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-2ffe4fe elementor-widget elementor-widget-text-editor\" data-id=\"2ffe4fe\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Il existe diff\u00e9rents types d\u2019architectures de GNN, voici une description des architectures les plus connues :<\/span><\/p><p style=\"padding-left: 40px;\"><span style=\"font-weight: 400;\">1. Les <strong>MPGNN<\/strong> (Message Passing Graph Neural Networks). Les MPGNN utilisent le message passing pour mettre \u00e0 jour chacun des n\u0153uds en utilisant l\u2019information contenu dans chacun des n\u0153uds voisins. <\/span><\/p><p style=\"padding-left: 40px;\"><span style=\"font-weight: 400;\">2. Les <strong>GCNN<\/strong> (Graph <a href=\"https:\/\/datascientest.com\/convolutional-neural-network\">Convolutional Neural Networks<\/a><\/span><span style=\"font-weight: 400;\">) aussi appel\u00e9s r\u00e9seaux de neurones \u00e0 convolution de graphe. Ces r\u00e9seaux appliquent une couche de convolution sur les embeddings des n\u0153uds et des ar\u00eates. <\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-928ce89 elementor-widget elementor-widget-image\" data-id=\"928ce89\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1999\" height=\"821\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/GCNN_architecture.jpg\" class=\"attachment-full size-full wp-image-198552\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/GCNN_architecture.jpg 1999w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/GCNN_architecture-300x123.jpg 300w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/GCNN_architecture-1024x421.jpg 1024w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/GCNN_architecture-768x315.jpg 768w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/GCNN_architecture-1536x631.jpg 1536w\" sizes=\"(max-width: 1999px) 100vw, 1999px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">GCNN architecture<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-c1760aa elementor-widget elementor-widget-text-editor\" data-id=\"c1760aa\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p style=\"padding-left: 40px;\"><span style=\"font-weight: 400;\">3. Les <strong>GAT<\/strong> (Graph Attention Neural Networks) aussi appel\u00e9s les r\u00e9seaux de neurones d\u2019attention graphique. Ce type d\u2019architecture pond\u00e8re l\u2019importance des n\u0153uds voisins lors de l&rsquo;\u00e9tape de la propagation de l\u2019information (message passing). En effet, un score d\u2019attention est calcul\u00e9 pour chaque paire de n\u0153uds et sera utilis\u00e9 pour pond\u00e9rer chacun des n\u0153uds.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-c25f696 e-flex e-con-boxed e-con\" data-id=\"c25f696\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-0b88d91 elementor-widget elementor-widget-heading\" data-id=\"0b88d91\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">\u00c0 quoi servent les GNN ?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3cbf21e elementor-widget elementor-widget-text-editor\" data-id=\"3cbf21e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Les application des GNN sont multiples, en voici quelques exemples :<\/span><\/p><ul><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\"><strong>Node Classification<\/strong> (classification de n\u0153ud) : On pourrait utiliser les GNN pour classer les n\u0153uds d\u2019un graphe. Par exemple, on peut l\u2019utiliser pour classifier un utilisateur d\u2019un site e-commerce selon ses int\u00e9r\u00eats.<\/span><\/li><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\"><strong>Graph Classification<\/strong> (classification de graphe) : On pourrait utiliser les GNN pour classer des graphes. Par exemple, le GNN pourrait \u00eatre utilis\u00e9 pour pr\u00e9dire le type de mol\u00e9cule en fonction de sa structure (repr\u00e9sent\u00e9e par un graphe).<\/span><\/li><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\"><strong>Recommender system<\/strong> (syst\u00e8me de recommandation) : Les GNN sont utilis\u00e9s pour recommander du contenu \u00e0 des utilisateurs \u00e0 partir de leurs donn\u00e9es. C\u2019est le cas par exemple pour un site de streaming musical comme Spotify qui utilise les GNN pour recommander \u00e0 un utilisateur des artistes, des chansons, des playlists et des albums similaires en lien avec l\u2019historique de l\u2019utilisateur.<\/span><\/li><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\"><a href=\"https:\/\/datascientest.com\/formation-deep-learning\/natural-language-processing\">Natural Language Processing<\/a> (NLP) : Les GNN permettent ainsi de faire de la classification de texte ou de la g\u00e9n\u00e9ration de texte. Par exemple, on peut utiliser les GNN pour r\u00e9aliser une analyse de sentiments sur des avis reli\u00e9s \u00e0 un site internet. Chaque avis sera ainsi class\u00e9 selon sa tonalit\u00e9 (positif, n\u00e9gatif ou neutre).<\/span><\/li><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\"><strong>Link Prediction<\/strong> (Pr\u00e9diction de lien) : Les GNN seraient ici utilis\u00e9 pour pr\u00e9dire de nouveaux liens entre des n\u0153uds dans un graphe. Par exemple, dans un r\u00e9seau social, le GNN pourrait \u00eatre utilis\u00e9 pour pr\u00e9dire si des utilisateurs sont sujets \u00e0 devenir amis.<\/span><\/li><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\"><a href=\"https:\/\/datascientest.com\/formation-deep-learning\/formation-computer-vision\">Computer Vision<\/a> : Les GNN sont utilis\u00e9s pour traiter des images comme des graphes. Plus concr\u00e8tement, ils peuvent \u00eatre utilis\u00e9s pour faire de la d\u00e9tection d\u2019objet ou la reconnaissance de caract\u00e8res.<\/span><\/li><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\"><a href=\"https:\/\/datascientest.com\/machine-learning-clustering-dbscan\">Clustering<\/a> : On utilise les GNN pour regrouper des images en fonction de leur contenu. Cela est r\u00e9alis\u00e9 en s\u00e9parant l\u2019espace des embeddings. Il s\u2019agit de l\u2019espace dans lequel les node embeddings sont localis\u00e9s.<\/span><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-83137ca elementor-widget elementor-widget-image\" data-id=\"83137ca\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"771\" height=\"208\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/image5-5.png\" class=\"attachment-full size-full wp-image-198556\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/image5-5.png 771w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/image5-5-300x81.png 300w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/image5-5-768x207.png 768w\" sizes=\"(max-width: 771px) 100vw, 771px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5cd148a elementor-widget elementor-widget-text-editor\" data-id=\"5cd148a\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Pour en savoir plus sur les GNN, n\u2019h\u00e9sitez pas \u00e0 consulter la vid\u00e9o suivante :\u00a0<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5df4666 elementor-widget__width-initial elementor-widget elementor-widget-video\" data-id=\"5df4666\" data-element_type=\"widget\" data-settings=\"{&quot;youtube_url&quot;:&quot;https:\\\/\\\/www.youtube.com\\\/watch?v=GXhBEj1ZtE8&quot;,&quot;video_type&quot;:&quot;youtube&quot;,&quot;controls&quot;:&quot;yes&quot;}\" data-widget_type=\"video.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-video .elementor-widget-container{overflow:hidden;transform:translateZ(0)}.elementor-widget-video .elementor-wrapper{aspect-ratio:var(--video-aspect-ratio)}.elementor-widget-video .elementor-wrapper iframe,.elementor-widget-video .elementor-wrapper video{height:100%;width:100%;display:flex;border:none;background-color:#000}@supports not (aspect-ratio:1\/1){.elementor-widget-video .elementor-wrapper{position:relative;overflow:hidden;height:0;padding-bottom:calc(100% \/ var(--video-aspect-ratio))}.elementor-widget-video .elementor-wrapper iframe,.elementor-widget-video .elementor-wrapper video{position:absolute;top:0;right:0;bottom:0;left:0}}.elementor-widget-video .elementor-open-inline .elementor-custom-embed-image-overlay{position:absolute;top:0;right:0;bottom:0;left:0;background-size:cover;background-position:50%}.elementor-widget-video .elementor-custom-embed-image-overlay{cursor:pointer;text-align:center}.elementor-widget-video .elementor-custom-embed-image-overlay:hover .elementor-custom-embed-play i{opacity:1}.elementor-widget-video .elementor-custom-embed-image-overlay img{display:block;width:100%;aspect-ratio:var(--video-aspect-ratio);-o-object-fit:cover;object-fit:cover;-o-object-position:center center;object-position:center center}@supports not (aspect-ratio:1\/1){.elementor-widget-video .elementor-custom-embed-image-overlay{position:relative;overflow:hidden;height:0;padding-bottom:calc(100% \/ var(--video-aspect-ratio))}.elementor-widget-video .elementor-custom-embed-image-overlay img{position:absolute;top:0;right:0;bottom:0;left:0}}.elementor-widget-video .e-hosted-video .elementor-video{-o-object-fit:cover;object-fit:cover}.e-con-inner>.elementor-widget-video,.e-con>.elementor-widget-video{width:var(--container-widget-width);--flex-grow:var(--container-widget-flex-grow)}<\/style>\t\t<div class=\"elementor-wrapper elementor-open-inline\">\n\t\t\t<div class=\"elementor-video\"><\/div>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-462ea88 e-flex e-con-boxed e-con\" data-id=\"462ea88\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-aecc5e6 elementor-widget elementor-widget-heading\" data-id=\"aecc5e6\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Conclusion<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-326f8da elementor-widget elementor-widget-text-editor\" data-id=\"326f8da\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Ainsi, les GNN sont tr\u00e8s utiles pour<strong> traiter des probl\u00e8mes complexes \u00e0 travers la manipulation de graphes<\/strong> qui constituent des structures de donn\u00e9es complexes non structur\u00e9es. Le fonctionnement des GNN repose principalement sur la fonction de message passing qui permet de construire des node embeddings adapt\u00e9s \u00e0 la structure et aux informations du graphe.<\/span><\/p><p><span style=\"font-weight: 400;\">Les GNN pr\u00e9sentent de nombreuses architectures comme les MPGNN, les GCNN et les GAT. Les GNN peuvent \u00eatre utilis\u00e9s dans de nombreux contextes comme pour faire de la computer vision, de la pr\u00e9diction de lien, de la recommandation et du NLP. Enfin, les GNN \u00e9tant en phase de recherche, il est possible que de nouvelles architectures soient d\u00e9velopp\u00e9es. Par leur potentiel et leur puissance, <strong>l\u2019utilisation des GNN<\/strong> sera de plus en plus fr\u00e9quente pour r\u00e9soudre des probl\u00e8mes.\u00a0<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-70dc71b elementor-widget elementor-widget-text-editor\" data-id=\"70dc71b\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Si vous souhaitez vous former au Deep Learning pour aller plus en profondeur sur les r\u00e9seaux de neurones, n\u2019h\u00e9sitez pas \u00e0 consulter nos formations de <a href=\"https:\/\/datascientest.com\/formation-machine-learning-engineer\">Machine Learning Engineering<\/a> <\/span><span style=\"font-weight: 400;\">et de <a href=\"https:\/\/datascientest.com\/formation-deep-learning\">Deep Learning<\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-a8e0c7b elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"a8e0c7b\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/formations-data\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">D\u00e9couvrir nos autres formations<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-f63235c e-flex e-con-boxed e-con\" data-id=\"f63235c\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-f826607 elementor-widget elementor-widget-html\" data-id=\"f826607\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<script type=\"application\/ld+json\">\n{\n  \"@context\": \"https:\/\/schema.org\",\n  \"@type\": \"FAQPage\",\n  \"mainEntity\": [{\n    \"@type\": \"Question\",\n    \"name\": \"En quoi consistent les r\u00e9seaux de neurones graphiques ?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Avec le d\u00e9veloppement exponentiel de la data science, le Machine Learning a subi \u00e9galement de nouveaux changements pour s\u2019adapter aux \u00e9volutions des structures de donn\u00e9es et \u00e0 la demande. Ainsi, avec l'apparition de nouveaux types de donn\u00e9es et la multiplication de donn\u00e9es non structur\u00e9es, il est devenu n\u00e9cessaire de cr\u00e9er des mod\u00e8les d\u2019apprentissage automatique capables de s\u2019adapter \u00e0 des donn\u00e9es non structur\u00e9es comme des graphes.\"\n    }\n  },{\n    \"@type\": \"Question\",\n    \"name\": \"Qu\u2019est ce qu\u2019un graphe ?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Un graphe est une structure de donn\u00e9es complexe utilis\u00e9e pour repr\u00e9senter des objets et des relations entre eux. Un graphe est constitu\u00e9 d\u2019un ensemble de n\u0153uds (en anglais nodes) et d\u2019ar\u00eates (en anglais edges ou links). Les ar\u00eates permettent de relier les diff\u00e9rents n\u0153uds entre eux. Les ar\u00eates peuvent \u00eatre orient\u00e9es ou non orient\u00e9es. Dans un graphe orient\u00e9, les ar\u00eates ont une direction qui indique le sens de la relation, alors que dans un graphe non orient\u00e9, les ar\u00eates n'ont pas de direction.\"\n    }\n  },{\n    \"@type\": \"Question\",\n    \"name\": \"Comment fonctionnent les r\u00e9seaux de neurones graphiques ?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Le fonctionnement des r\u00e9seaux de neurones graphiques est bas\u00e9 sur une technique appel\u00e9e le \\\"message passing\\\". Cette technique permet de traiter l\u2019information \u00e0 travers un \u00e9change d\u2019information entre les n\u0153uds d\u2019un graphe et leurs voisins. Le but de cette technique est de modifier l\u2019\u00e9tat de chaque n\u0153ud en utilisant les informations locales issues de ses voisins et celles contenus dans les ar\u00eates.\"\n    }\n  },{\n    \"@type\": \"Question\",\n    \"name\": \"Quelles sont les diff\u00e9rentes architectures de GNN ?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Il existe diff\u00e9rents types d\u2019architectures de GNN, voici une description des architectures les plus connues : 1. Les MPGNN (Message Passing Graph Neural Networks). Les MPGNN utilisent le message passing pour mettre \u00e0 jour chacun des n\u0153uds en utilisant l\u2019information contenu dans chacun des n\u0153uds voisins. 2. Les GCNN (Graph Convolutional Neural Networks) aussi appel\u00e9s r\u00e9seaux de neurones \u00e0 convolution de graphe. Ces r\u00e9seaux appliquent une couche de convolution sur les embeddings des n\u0153uds et des ar\u00eates. 3. Les GAT (Graph Attention Neural Networks) aussi appel\u00e9s les r\u00e9seaux de neurones d\u2019attention graphique. Ce type d\u2019architecture pond\u00e8re l\u2019importance des n\u0153uds voisins lors de l'\u00e9tape de la propagation de l\u2019information (message passing). En effet, un score d\u2019attention est calcul\u00e9 pour chaque paire de n\u0153uds et sera utilis\u00e9 pour pond\u00e9rer chacun des n\u0153uds.\"\n    }\n  },{\n    \"@type\": \"Question\",\n    \"name\": \"\u00c0 quoi servent les GNN ?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Les application des GNN sont multiples, en voici quelques exemples : Node Classification, Graph Classification, Recommender system, Natural Language Processing, Link Prediction, Computer Vision, Clustering.\"\n    }\n  }]\n}\n<\/script>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Les Graph Neural Networks (GNN) ou r\u00e9seaux de neurones en graphes sont des r\u00e9seaux de neurones particuliers utiles pour r\u00e9soudre des probl\u00e8mes difficiles \u00e0 partir de graphes qui constituent une structure de donn\u00e9es complexe. D\u00e9couvrez ci-dessous plus de d\u00e9tails sur le fonctionnement, les architectures et les applications des GNN. En quoi consistent les r\u00e9seaux de [&hellip;]<\/p>\n","protected":false},"author":77,"featured_media":198545,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2497],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Graph Neural Networks (GNN): qu&#039;est-ce que c&#039;est ?<\/title>\n<meta name=\"description\" content=\"Les Graph Neural Networks (GNN) ou r\u00e9seaux de neurones en graphes sont des r\u00e9seaux de neurones particuliers utiles pour r\u00e9soudre des probl\u00e8mes difficiles \u00e0 partir de graphes qui constituent une structure de donn\u00e9es complexe. D\u00e9couvrez tout ce qu&#039;il y a \u00e0 savoir dans cet article\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/graph-neural-networks-tout-savoir\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Graph Neural Networks (GNN): qu&#039;est-ce que c&#039;est ?\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/graph-neural-networks-tout-savoir\" \/>\n<meta property=\"og:site_name\" content=\"Formation Data Science | DataScientest.com\" \/>\n<meta property=\"article:published_time\" content=\"2023-04-25T09:52:03+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-11-09T13:52:34+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/GNN.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1025\" \/>\n\t<meta property=\"og:image:height\" content=\"562\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Raphael Kassel\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Raphael Kassel\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"9 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/graph-neural-networks-tout-savoir\",\"url\":\"https:\/\/datascientest.com\/graph-neural-networks-tout-savoir\",\"name\":\"Graph Neural Networks (GNN): qu'est-ce que c'est ?\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/#website\"},\"datePublished\":\"2023-04-25T09:52:03+00:00\",\"dateModified\":\"2023-11-09T13:52:34+00:00\",\"author\":{\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/6eca16f63daaafcbc96e15549b9d4ee1\"},\"description\":\"Les Graph Neural Networks (GNN) ou r\u00e9seaux de neurones en graphes sont des r\u00e9seaux de neurones particuliers utiles pour r\u00e9soudre des probl\u00e8mes difficiles \u00e0 partir de graphes qui constituent une structure de donn\u00e9es complexe. D\u00e9couvrez tout ce qu'il y a \u00e0 savoir dans cet article\",\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/graph-neural-networks-tout-savoir\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/#website\",\"url\":\"https:\/\/datascientest.com\/\",\"name\":\"Formation Data Science | DataScientest.com\",\"description\":\"Leader de la formation en Data Science\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/6eca16f63daaafcbc96e15549b9d4ee1\",\"name\":\"Raphael Kassel\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/raph.jpeg\",\"contentUrl\":\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/raph.jpeg\",\"caption\":\"Raphael Kassel\"},\"description\":\"Raphael Kassel est le Head of Data Programs chez DataScientest. Il supervise une \u00e9quipe Data, impl\u00e9mente de nouveaux parcours comme \\\"Chef de projet IA\\\" et \\\"Data Product Manager\\\", et contribue \u00e0 la modernisation des op\u00e9rations du groupe. En collaboration \u00e9troite avec l'\u00e9quipe de d\u00e9veloppement, il adapte l'accompagnement acad\u00e9mique aux \u00e9volutions de l'\u00e9quipe data et \u00e0 l'internationalisation.\",\"sameAs\":[\"https:\/\/www.linkedin.com\/in\/raphaelkassel\/\",\"Data Science\"],\"url\":\"https:\/\/datascientest.com\/author\/raphaelkassel\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Graph Neural Networks (GNN): qu'est-ce que c'est ?","description":"Les Graph Neural Networks (GNN) ou r\u00e9seaux de neurones en graphes sont des r\u00e9seaux de neurones particuliers utiles pour r\u00e9soudre des probl\u00e8mes difficiles \u00e0 partir de graphes qui constituent une structure de donn\u00e9es complexe. D\u00e9couvrez tout ce qu'il y a \u00e0 savoir dans cet article","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datascientest.com\/graph-neural-networks-tout-savoir","og_locale":"fr_FR","og_type":"article","og_title":"Graph Neural Networks (GNN): qu'est-ce que c'est ?","og_url":"https:\/\/datascientest.com\/graph-neural-networks-tout-savoir","og_site_name":"Formation Data Science | DataScientest.com","article_published_time":"2023-04-25T09:52:03+00:00","article_modified_time":"2023-11-09T13:52:34+00:00","og_image":[{"width":1025,"height":562,"url":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/04\/GNN.png","type":"image\/png"}],"author":"Raphael Kassel","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"Raphael Kassel","Dur\u00e9e de lecture estim\u00e9e":"9 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/datascientest.com\/graph-neural-networks-tout-savoir","url":"https:\/\/datascientest.com\/graph-neural-networks-tout-savoir","name":"Graph Neural Networks (GNN): qu'est-ce que c'est ?","isPartOf":{"@id":"https:\/\/datascientest.com\/#website"},"datePublished":"2023-04-25T09:52:03+00:00","dateModified":"2023-11-09T13:52:34+00:00","author":{"@id":"https:\/\/datascientest.com\/#\/schema\/person\/6eca16f63daaafcbc96e15549b9d4ee1"},"description":"Les Graph Neural Networks (GNN) ou r\u00e9seaux de neurones en graphes sont des r\u00e9seaux de neurones particuliers utiles pour r\u00e9soudre des probl\u00e8mes difficiles \u00e0 partir de graphes qui constituent une structure de donn\u00e9es complexe. D\u00e9couvrez tout ce qu'il y a \u00e0 savoir dans cet article","inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/graph-neural-networks-tout-savoir"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/#website","url":"https:\/\/datascientest.com\/","name":"Formation Data Science | DataScientest.com","description":"Leader de la formation en Data Science","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/datascientest.com\/#\/schema\/person\/6eca16f63daaafcbc96e15549b9d4ee1","name":"Raphael Kassel","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/datascientest.com\/#\/schema\/person\/image\/","url":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/raph.jpeg","contentUrl":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/raph.jpeg","caption":"Raphael Kassel"},"description":"Raphael Kassel est le Head of Data Programs chez DataScientest. Il supervise une \u00e9quipe Data, impl\u00e9mente de nouveaux parcours comme \"Chef de projet IA\" et \"Data Product Manager\", et contribue \u00e0 la modernisation des op\u00e9rations du groupe. En collaboration \u00e9troite avec l'\u00e9quipe de d\u00e9veloppement, il adapte l'accompagnement acad\u00e9mique aux \u00e9volutions de l'\u00e9quipe data et \u00e0 l'internationalisation.","sameAs":["https:\/\/www.linkedin.com\/in\/raphaelkassel\/","Data Science"],"url":"https:\/\/datascientest.com\/author\/raphaelkassel"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts\/198543"}],"collection":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/users\/77"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/comments?post=198543"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts\/198543\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/media\/198545"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/media?parent=198543"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/categories?post=198543"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/tags?post=198543"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}