Cet article présente une étude sur la prédiction des profils de signification des motifs (SP) des réseaux à l'aide de réseaux de neurones graphes (GNN). Contrairement aux méthodes existantes basées sur l'estimation de la fréquence des sous-graphes, cette étude redéfinit l'estimation de la fréquence des sous-graphes et l'estimation indépendante des SP comme un problème de régression multicible afin d'améliorer l'interprétabilité, la stabilité et l'évolutivité. Grâce à des expériences utilisant des données de graphes synthétiques et réelles, nous montrons que, bien que le modèle contraint 1-WL ait des difficultés à estimer précisément les SP, il peut généraliser approximativement le processus de génération de graphes en comparant le SP prédit à celui d'un générateur synthétique. Cela suggère que l'estimation directe des SP peut contribuer à surmonter les limites théoriques de l'estimation des motifs via les coefficients de sous-graphes.
