🤖 machine learning

Aitchison Embeddings for Learning Compositional Graph Representations

Ce papier propose un cadre d'incorporation de graphes novateur fondé sur la géométrie d'Aitchison qui représente les nœuds comme des compositions à valeurs simplexe afin d'obtenir des performances compétitives intrinsèquement interprétables dans des tâches telles que la classification de nœuds et la prédiction de liens, tout en permettant une analyse rigoureuse des compromis entre archétypes latents par la cohérence sous-compositionnelle.

Auteurs originaux : Nikolaos Nakis, Chrysoula Kosma, Panagiotis Promponas, Michail Chatzianastasis, Giannis Nikolentzos

Publié 2026-05-04

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nikolaos Nakis, Chrysoula Kosma, Panagiotis Promponas, Michail Chatzianastasis, Giannis Nikolentzos

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de comprendre une immense et complexe fête. Dans cette fête, chaque invité (un « nœud ») interagit avec les autres. Les programmes informatiques traditionnels tentent de décrire ces invités en leur attribuant une étiquette unique et fixe, comme « Le Blagueur » ou « Le Timide ». Ou alors, ils leur donnent une liste de nombres sur un graphe standard, où la distance entre deux personnes signifie simplement « à quelle distance elles sont » dans un sens vague et mathématique.

Le problème est que les vraies personnes (et les nœuds dans un réseau) sont rarement une seule chose. Un invité peut être à 40 % « Blagueur », à 30 % « Auditeur » et à 30 % « Danseur ». Ils sont un mélange de rôles.

Cet article introduit une nouvelle façon de cartographier ces invités, appelée AICoG (Aitchison Compositional Graph embeddings). Voici comment cela fonctionne, en utilisant des analogies simples :

1. La « Recette » contre la « Liste de Courses »

La plupart des anciennes méthodes traitent le rôle d'une personne comme une liste de courses : « J'ai 5 pommes, 10 oranges et 2 bananes. » Si vous doublez la liste (10 pommes, 20 oranges, 4 bananes), l'ordinateur pense qu'il s'agit d'une personne totalement différente car les chiffres sont plus grands.

Mais en réalité, ce qui compte, c'est la recette ou le ratio. Si vous avez 5 pommes et 10 oranges, vous avez un ratio de 1:2. Si vous avez 10 pommes et 20 oranges, vous avez toujours ce même ratio de 1:2. Vous êtes essentiellement le même « type » de personne, juste avec plus d'énergie.

Les auteurs disent : « Arrêtons de regarder les chiffres absolus et commençons à regarder la recette. » Ils traitent chaque nœud comme un mélange (comme un smoothie) de différents « archétypes » (rôles purs comme « Leader », « Suiveur », « Connecteur »).

2. La Carte Spéciale (Géométrie d'Aitchison)

Si vous essayez de tracer ces « recettes » sur une carte normale (espace euclidien), les choses deviennent confuses. Les mathématiques ne respectent pas le fait que seules les proportions comptent.

Les auteurs utilisent un type spécial de carte appelé Géométrie d'Aitchison. Imaginez cela comme une boussole qui ne se soucie que de la direction, pas de la distance.

Carte Normale : Si vous vous déplacez de 1 mile vers le Nord, vous êtes différent de vous déplacer de 2 miles vers le Nord.
Carte d'Aitchison : Elle ne se soucie que si vous vous déplacez « Nord-Est » par rapport à « Sud-Ouest ». Elle ignore la quantité de « choses » que vous avez et se concentre entièrement sur l'équilibre entre les ingrédients.

3. Le Traducteur Magique (ILR)

Les ordinateurs sont excellents pour faire des mathématiques sur des cartes normales, mais ils peinent avec cette carte spéciale de « recettes ». Pour résoudre ce problème, l'article utilise un traducteur appelé ILR (Isometric Log-Ratio).

Imaginez que vous avez une recette de smoothie (le mélange). Le traducteur ILR prend cette recette et la convertit en un ensemble standard d'instructions (coordonnées) qu'un ordinateur normal peut parfaitement comprendre.

La Partie Cool : Cette traduction est parfaite. Elle ne perd aucune information. Elle conserve la logique de la « recette » intacte tout en permettant à l'ordinateur d'utiliser ses outils mathématiques standards et rapides.

4. Pourquoi C'est Mieux (La Partie « Explicable »)

Dans les anciennes méthodes, si un ordinateur dit que deux personnes sont similaires, il est difficile d'expliquer pourquoi. Il pourrait simplement dire : « Elles sont à 0,5 unité de distance sur l'axe X. » Cela ne vous dit pas grand-chose sur leurs rôles réels.

Avec AICoG, l'explication est intégrée :

Le Compromis : Le système explique la similarité en disant : « Ces deux personnes sont similaires car elles équilibrent leurs traits de « Leader » et de « Suiveur » exactement de la même manière. »
Le Test « Couper-Coller » : L'une des fonctionnalités les plus cool est la Cohérence Sous-Compositionnelle. Imaginez que vous avez un smoothie avec 5 saveurs. Si vous décidez d'ignorer la saveur « Menthe » et de ne regarder que les 4 autres, les mathématiques restent cohérentes. Vous pouvez « supprimer » un rôle et rééquilibrer le reste, et l'ordinateur comprend toujours la relation.
- Analogie : Si vous prenez une recette pour un gâteau à 5 ingrédients et que vous retirez la vanille, vous pouvez toujours parfaitement comprendre l'équilibre des 4 ingrédients restants. Dans les anciennes méthodes, supprimer une dimension (une saveur) brise souvent les mathématiques ou rend les résultats sans signification.

5. Est-ce que Ça a Fonctionné ?

Les auteurs ont testé cela sur des réseaux réels (comme des réseaux de citations où des articles sont liés à d'autres articles, ou des réseaux sociaux).

Performance : Cela a fonctionné aussi bien que les meilleures méthodes existantes pour prédire les liens (qui se connectera à qui) et classifier les nœuds (déterminer à quel groupe un nœud appartient).
Le Gain : Cela n'a pas seulement fonctionné ; cela a donné des raisons claires pour ses réponses. Au lieu d'une boîte noire disant « Ceux-ci sont similaires », il dit : « Ceux-ci sont similaires car leur mélange de rôles a le même équilibre. »

Résumé

L'article propose une nouvelle façon de comprendre les réseaux en traitant chaque nœud non pas comme un point unique ou une étiquette fixe, mais comme un mélange de rôles. En utilisant une géométrie mathématique spéciale conçue pour les mélanges (Aitchison) et un traducteur parfait (ILR), ils ont créé un système qui est :

Précis : Il prédit les connexions aussi bien que les meilleurs outils actuels.
Honnête : Il respecte le fait que les rôles concernent les ratios, pas les nombres absolus.
Explicable : Il nous permet de voir comment les rôles s'échangent les uns contre les autres et nous permet de supprimer en toute sécurité des parties du modèle pour voir ce qui compte, sans briser les mathématiques.

1. Énoncé du problème

L'apprentissage de représentations de graphes est fondamental pour des tâches telles que la prédiction de liens et la classification de nœuds. Cependant, les méthodes existantes rencontrent deux limitations principales concernant l'interprétabilité et la modélisation structurelle :

Manque d'interprétabilité intrinsèque : Les plongements euclidiens standards (par exemple, Node2Vec, GNN) encodent la similarité géométriquement mais manquent de signification sémantique dans leurs dimensions latentes. Les distances et les directions sont souvent arbitraires et sensibles aux choix de coordonnées, nécessitant une analyse a posteriori pour l'explication.
Modélisation inadéquate des structures de rôles : De nombreux réseaux réels présentent des structures de mélange de rôles où les nœuds ne sont pas des entités distinctes, mais plutôt des mélanges de facteurs archétypaux latents (par exemple, un utilisateur agissant à la fois comme "chercheur" et "étudiant").
- Les modèles basés sur les rôles traditionnels (par exemple, les modèles de blocs stochastiques) supposent des rôles discrets et alignés sur les axes.
- Les modèles à membership mixte permettent le chevauchement mais reposent souvent sur des axes discrets et identifiables qui échouent lorsque les rôles sont continus, chevauchants, ou définis par des compromis relatifs plutôt que par des magnitudes absolues.
- Les espaces euclidiens standards ne gèrent pas naturellement les données compositionnelles (données où seuls les ratios entre les composantes importent, et non l'échelle absolue), ce qui entraîne des problèmes d'invariance d'échelle et de cohérence subcompositionnelle.

2. Méthodologie : AICoG

Les auteurs proposent les plongements compositionnels de graphes Aitchison (AICoG), un cadre fondé sur la géométrie Aitchison, la géométrie canonique pour les données compositionnelles.

Concepts clés

Représentation compositionnelle : Chaque nœud $i$ est représenté comme une composition $z_i$ sur le simplexe de dimension $(K-1)$ , $\Delta^{K-1}$ , où $K$ est le nombre de facteurs archétypaux latents. Le vecteur $z_i = (z_{i1}, \dots, z_{iK})$ représente la contribution relative de chaque archétype au nœud.
Géométrie Aitchison : Au lieu de la distance euclidienne, la similarité est mesurée à l'aide de la distance Aitchison, qui dépend exclusivement des log-ratios entre les composantes. Cela garantit l'invariance d'échelle (les niveaux d'activité absolus n'affectent pas la similarité) et la cohérence subcompositionnelle (la suppression d'un sous-ensemble de composantes préserve la géométrie relative).
Transformation Isométrique Log-Ratio (ILR) : Pour permettre l'optimisation à l'aide d'outils euclidiens standards (comme la descente de gradient) tout en préservant la géométrie Aitchison, la méthode mappe les compositions du simplexe vers un espace euclidien non contraint $\mathbb{R}^{K-1}$ via la transformation ILR :
$x_i = \text{ILR}(z_i) = \log(z_i)^\top V$
où $V$ est une base orthonormée pour l'espace de contraste. Cette transformation est une isométrie, ce qui signifie que la distance euclidienne entre $x_i$ et $x_j$ est exactement égale à la distance Aitchison entre $z_i$ et $z_j$ .

Architecture du modèle

Paramétrisation : Les compositions de nœuds $z_i$ sont paramétrées via des logits non contraints $\tilde{z}_i$ passés à travers une fonction softmax pour garantir qu'ils se situent sur le simplexe.
Vraisemblance des arêtes : La probabilité d'une arête $(i, j)$ est modélisée comme une distribution de Bernoulli où les log-odds $\eta_{ij}$ sont une fonction monotone décroissante de la distance ILR :
$\eta_{ij} = -\|x_i - x_j\|^2 + \gamma_i + \gamma_j$
Ici, $\gamma$ représente des biais spécifiques aux nœuds (par exemple, l'hétérogénéité du degré).
Optimisation : Le modèle est entraîné en maximisant la vraisemblance logarithmique de Bernoulli sur les arêtes observées.
Flexibilité de la base : Le cadre prend en charge à la fois des bases fixes (par exemple, base de Helmert) et des bases apprenables (entraînées conjointement avec les plongements) pour optimiser l'interprétabilité.

3. Contributions clés

Cadre AICoG : Introduction d'un cadre de plongement de graphes qui modélise les nœuds comme des compositions sur des archétypes latents et les compare en utilisant la géométrie Aitchison.
Équivalence expressive : Preuve que l'encodage des compositions via des coordonnées ILR produit un modèle de distance latente expressivement équivalent aux modèles de distance latente euclidiens standards non contraints. Cela signifie qu'AICoG gagne en interprétabilité sans sacrifier la capacité à représenter des matrices de probabilité d'arêtes complexes.
Rôles géométriques : Une nouvelle définition des "rôles" comme régions dans un espace latent compositionnel caractérisées par des compromis relatifs stables, plutôt que par des dimensions alignées sur les axes. Cela prend en charge des structures de rôles continues et chevauchantes.
Cohérence subcompositionnelle : Démonstration que le cadre permet une restriction de composante raisonnée. La suppression et la renormalisation d'un sous-ensemble de facteurs archétypaux préservent une géométrie bien définie, permettant l'analyse de la manière dont des groupes d'archétypes spécifiques influencent les prédictions sans réentraînement.
Explicabilité intrinsèque : La méthode fournit des explications par construction. La similarité est expliquée par des équilibres de log-ratio (compromis) entre les archétypes, qui sont invariants aux reparamétrisations orthogonales du système de coordonnées.

4. Résultats expérimentaux

Les auteurs ont évalué AICoG sur divers jeux de données (réseaux de citations : Cora, Citeseer ; co-auteurship : DBLP, AstroPh, etc. ; sociaux : LastFM) par rapport à des bases solides incluant Node2Vec, Role2Vec, MMSBM et SLIM-RAA.

Prédiction de liens : AICoG a obtenu des scores AUC-ROC compétitifs ou supérieurs par rapport aux bases solides. Notamment, le remplacement de la géométrie Aitchison par une géométrie euclidienne sur le simplexe (SIMPLEX-EUCLIDEAN) a provoqué une baisse significative des performances, prouvant que la géométrie compositionnelle elle-même est critique, et pas seulement la contrainte de simplexe.
Classification de nœuds : AICoG a obtenu des scores Micro-F1 favorables, comparables aux méthodes euclidiennes, tout en fournissant des représentations géométriquement interprétables.
Évaluation subcompositionnelle : Lorsque des composantes ont été supprimées (réduction de dimensionnalité par sélection de sous-ensemble), AICoG a maintenu des performances nettement supérieures à d'autres bases basées sur le simplexe (comme MMSBM ou HM-LDM). Cela confirme la stabilité de la représentation sous une restriction de composante raisonnée.
Analyse d'interprétabilité : Les visualisations ont montré que différentes bases ILR (Helmert, Apprise, Varimax) ont produit des séparations d'étiquettes cohérentes, confirmant que la structure est invariante au système de coordonnées. La méthode a réussi à identifier des "trajectoires de compromis" interprétables entre les archétypes.

5. Signification et impact

Combler le fossé : AICoG comble le fossé entre les hautes performances prédictives (typiques des plongements euclidiens) et la haute interprétabilité (typique des modèles de rôles probabilistes).
Nouveau paradigme pour les rôles : Il déplace le paradigme des rôles discrets et alignés sur les axes vers des compromis relatifs continus, ce qui reflète mieux la nature de nombreux réseaux réels (par exemple, sociaux, biologiques, économiques).
Explicabilité raisonnée : Contrairement aux méthodes d'explication a posteriori (par exemple, GNNExplainer), les explications d'AICoG sont intrinsèques à la géométrie du modèle. Cela permet aux chercheurs de demander "comment le compromis entre l'archétype A et B affecte-t-il la position du nœud ?" plutôt que "quel est le poids de la dimension X ?".
Voies futures : Le papier suggère que la géométrie Aitchison peut servir de fondation pour étendre les biais inductifs compositionnels à d'autres architectures, telles que les réseaux de neurones à passage de messages opérant sur des états de nœuds compositionnels.

En résumé, AICoG offre une approche mathématiquement rigoureuse et pratiquement efficace pour apprendre des représentations de graphes où la sémantique de l'espace latent est explicitement alignée avec la nature relative et compositionnelle des rôles de nœuds.