Quels avantages peut-on obtenir en appliquant Graph Convolutional Neural Network au lieu de CNN ordinaire?

Quels avantages pouvons-nous obtenir en appliquant Graph Convolutional Neural Network au lieu de CNN ordinaire? Je veux dire, si nous pouvons résoudre un problème par CNN, quelle est la raison pour laquelle nous devrions convertir en réseau de neurones à convolution graphique pour le résoudre? Existe-t-il des exemples, c'est-à-dire que les articles peuvent montrer en remplaçant le CNN ordinaire par Graph Convolutional Neural Network, une augmentation de la précision ou une amélioration de la qualité ou un gain de performance est atteint? Quelqu'un peut-il introduire des exemples tels que la classification d'images, la reconnaissance d'images, en particulier dans l'imagerie médicale, la bioinfomatique ou les domaines biomédicaux?

De manière générale, un graphe CNN est appliqué aux données représentées par des graphes , pas des images.

• un graphe est un ensemble de nœuds et d'arêtes les reliant.

• une image est une matrice 2D ou 3D, dans laquelle chaque élément désigne un pixel dans l'espace

Si vos données ne sont que des images ou quelque chose de similaire (par exemple certaines données IRMf), vous ne pouvez généralement pas bénéficier du graphique CNN par rapport au CNN habituel.

Parfois, les étiquettes de classe de vos images peuvent être organisées dans une structure graphique (ou arborescente). Dans ce cas, vous pourriez avoir une chance de bénéficier du graphique CNN.

La bioinformatique est un domaine dans lequel le réseau neuronal convolutionnel graphique est utile. Prenons les réseaux de protéines ou les réseaux gène-gène. Certes, les réseaux biologiques peuvent être représentés sous forme de graphique. Maintenant, vous devriez voir comment GCN est utile pour la bioinformatique.