🏗️Exemple concret
Détection de blanchiment d'argent (AML) : les transactions forment un graphe. Un compte isolé semble normal, mais un GNN détecte qu'il est au centre d'un réseau circulaire de 15 entités qui se transfèrent de l'argent. GraphSAGE entraîné sur ce graphe détecte 35% de schémas frauduleux supplémentaires vs les modèles traditionnels.
∑ Concept clé
Message Passing : h_v^(k) = UPDATE(h_v^(k-1), AGGREGATE({h_u^(k-1) : u ∈ N(v)})), où N(v) = voisins de v. k = couche du réseau.
🎯Quand l'utiliser ?
✓Détection de fraude sur réseaux de transactions
✓Recommandation sociale (graphe d'amis)
✓Drug discovery (molécules = graphes)
✅ Avantages
+Capture les relations structurelles entre entités (impossible avec ML classique)
+Peut traiter des graphes de taille variable
+État de l'art pour les problèmes de graphe
⚠️ Limites
−Scalabilité difficile sur de très grands graphes (milliards de nÅ“uds)
−Interprétabilité faible (comme tous les deep learning)
−Peu d'outils matures en production vs ML classique
🛠️ Outils principaux
PyTorch Geometric
DGL (Deep Graph Library)
Spektral (Keras)
Neo4j GDS (Graph Data Science)
Deep LearningGraphesFraud DetectionRecommandationGNN