Raisonnement GNN / HGNN

Statut documentaire : guide — voir Maturité et preuves.

Les modules GNN et HGNN apprennent à partir de la structure de l’hypergraphe conceptuel.

Ils prennent en charge la détection de similarité, la détection d’anomalies, la prédiction de risque, la propagation sur graphe, les embeddings de voisinage, le clustering, la recommandation de workflows et la reconnaissance de motifs structurels.

Pourquoi les HGNN sont importants

La connaissance d’entreprise est souvent polyadique :

Facture
  fournisseur
  montant
  projet
  centre de coût
  règle de validation
  approbateur
  contexte

Cela ne correspond pas naturellement à un simple graphe binaire. Les méthodes neuronales sur hypergraphes s’adaptent mieux à la structure sous-jacente.