Graphes dynamiques pour les Graph Neural Networks et la recommandation

Dynamic graphs for Graph Neural Networks and recommendation

• Auteur / Autrice : Yannis Karmim
• Direction : Nicolas Thome
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'ingénieur spécialité Informatique
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Cedric - Centre d'études et de recherche en informatique et communications
• Partenaire(s) de recherche : établissement de préparation de la thèse : Conservatoire national des arts et métiers (France)

Mots clés

Mots clés libres

Apprentissage profond

Réseaux neuronaux à graphes

Graphes dynamiques

Recommandation

Deep Learning

Graph Neural Networks

Dynamic graphs

Recommendation

Résumé

Dans de nombreuses situations, les graphes représentent des données qui sont, intrinsèquement, dynamiques (communications entre personnes, échanges financiers, etc.). Pourtant, faute de consensus autour de la modélisation, ce sont souvent des graphes statiques qui sont employés, agrégeant des périodes de temps plus ou moins importantes et détruisant ainsi de l'information. Les Graph Neural Networks ont, eux aussi, été conçus à partir de graphes statiques (éventuellement des séries de snapshots). Et ce n'est que tout récemment que des modèles ont émergé pour prendre en compte un temps continu et ont proposé des applications. Plusieurs questions sont donc ouvertes, pour avancer vers de meilleurs modèles de GNN capables d'intégrer la dimension temporelle des données, de combiner efficacement la diffusion spatiale et la diffusion temporelle de l'information. Le passage à grande échelle, l'explicabilité des modèles, ainsi qu'une standardisation de l'évaluation sont aussi des enjeux des années à venir dans le domaine.

In many situations, graphs represent data that are intrinsically dynamic (communications between people, financial exchanges, etc.). However, due to a lack of consensus on modeling, static graphs are often used, aggregating more or less important periods of time and thus destroying information. Graph Neural Networks have also been designed from static graphs (possibly series of snapshots). And it is only recently that models have emerged to take into account a continuous time and have proposed applications. Several questions are therefore open, in order to move towards better GNN models able to integrate the temporal dimension of data, to efficiently combine spatial and temporal diffusion of information. The transition to large scale, the explicability of the models, as well as a standardization of the evaluation are also issues for the coming years in the field. Translated with www.DeepL.com/Translator (free version)