InductWave entraîne des modèles de graphes de connaissances avec deux fois moins de couches que ses concurrents

Une équipe de chercheurs a présenté InductWave, une méthode de plongement inductive fondée sur les ondelettes pour répondre à des requêtes logiques multi-sauts sur des graphes de connaissances. Elle fonctionne avec deux fois moins de couches de passage de messages que les modèles de référence. L'article a été publié sur arXiv le 7 juillet 2026.

Quel est le problème des modèles transductifs

Les requêtes logiques multi-sauts sur les graphes de connaissances (Multi-Hop Query Answering) sont formulées avec l'hypothèse implicite que les données sont complètes et comportent généralement des opérateurs de conjonction, de disjonction et de négation (Existential First Order Logic). La plupart des modèles existants reposent sur l'apprentissage transductif (transductive reasoning) : ils ne savent pas raisonner sur des entités qu'ils n'ont pas vues pendant l'entraînement. Dans la pratique, c'est une limite sérieuse : entraîner un modèle sur tous les nœuds d'un grand graphe de connaissances en une seule fois est souvent impossible faute de ressources.

Comment fonctionne InductWave

InductWave est une méthode inductive : le graphe sur lequel le modèle est entraîné contient moins de nœuds que celui sur lequel il est testé.

• La méthode repose sur des plongements par ondelettes
• Avec la moitié des couches de passage de messages (message-passing layers), InductWave obtient des résultats au niveau des modèles de référence
• Avec 75 % du nombre de couches des modèles de référence, InductWave les surpasse dans la majorité des cas
• Des besoins en ressources plus modestes ont permis de tester le modèle sur des graphes massifs, dont Wiki-KG
• Les expériences ont porté sur différentes proportions de graphes d'entraînement et de test du jeu de données FB15k-237

Le code et les jeux de données du modèle sont publiés en accès libre sur GitHub.

Ce que cela signifie

Moins de couches de passage de messages réduisent directement le coût de calcul de l'entraînement et de l'inférence. Des méthodes inductives comme InductWave rendent donc envisageable le travail sur de très grands graphes de connaissances, comme Wiki-KG, sans d'énormes clusters de calcul.

Questions fréquentes

Qu'est-ce que l'apprentissage inductif sur les graphes de connaissances ?

C'est une approche dans laquelle le modèle est entraîné sur un graphe comptant moins de nœuds que celui sur lequel il sera ensuite testé, et doit savoir raisonner sur des entités qu'il n'a pas vues pendant l'entraînement, contrairement aux modèles transductifs.

Sur quels jeux de données InductWave a-t-il été testé ?

Le modèle a été évalué sur différentes proportions de graphes d'entraînement et de test du jeu FB15k-237, ainsi que sur le grand graphe de connaissances Wiki-KG, où les besoins en ressources réduits se sont révélés particulièrement importants.