Thèse soutenue

Apprentissage de représentations sur graphes par diffusions de marche aléatoire

FR  |  
EN
Auteur / Autrice : Abdulkadir Celikkanat
Direction : Nikos ParagiosFragkiskos Malliaros
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 21/04/2021
Etablissement(s) : université Paris-Saclay
Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
Partenaire(s) de recherche : Laboratoire : Centre de vision numérique (Gif-sur-Yvette, Essonne)
référent : CentraleSupélec (2015-....)
Jury : Président / Présidente : Céline Hudelot
Examinateurs / Examinatrices : Thomas Bonald, Philippe Cudré-Mauroux, Massih-Reza Amini, Yuxiao Dong, Tina Eliassi-Rad
Rapporteurs / Rapporteuses : Thomas Bonald, Philippe Cudré-Mauroux

Résumé

FR  |  
EN

L'objectif principal de l'Apprentissage de Représentations sur Graphes est de plonger les nœuds dans un espace vectoriel de petite dimension. Dans cette thèse, nous abordons plusieurs enjeux dans le domaine. Tout d'abord, nous étudions comment exploiter l'existence de communautés structurelles locales inhérentes aux graphes tout en apprenant les représentations. Nous apprenons des représentations améliorées de la communauté en combinant les informations latentes avec les représentations. De plus, nous nous concentrons sur l'expressivité des représentations. Nous mettons l'accent sur les distributions de familles exponentielles pour saisir des modèles d'interaction riches. Nous proposons un modèle qui combine les marches aléatoires avec une matrice de factorisation sous forme de noyau. Dans la dernière partie de la thèse, nous étudions des modèles permettant un bon compromis entre efficacité et précision. Nous proposons un modèle évolutif qui calcule des représentations binaires.