Linegraph pour la découverte de réseaux, complexité et algorithmes

Linegraph for Network Reconstruction, Complexity and Algorithms

• Auteur / Autrice : Quentin Japhet
• Direction : Dominique Barth
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2022
• 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 : Données Algorithmes pour une ville intelligente et durable
• Partenaire(s) de recherche : Equipe de recherche : ALMOST
• Partenaire(s) de recherche : Référent : Université de Versailles-Saint-Quentin-en-Yvelines

Mots clés

Mots clés libres

Théorie des graphes

Réseaux de fluides et d'énergie

Algorithmique et complexité

Apprentissage automatique

Graph theory

Algorithmic and complexity

Fluid and energy networks

Machine learning

Résumé

L'objectif de ce projet doctoral est la découverte de la topologie d'un réseau de distribution d'énergie dont on connaît l'ensemble des arêtes sans identification de leurs extrémités. Pour ce faire, nous pouvons faire des mesures de corrélations physiques sur certaines arêtes accessibles. Sans erreur, on obtient le linegraph du réseau, ce qui suffit à récupérer le réseau lui-même. Cependant, les mesures sont en général bruitées, on obtient donc plutôt un linegraph avec erreurs de liens. La question ici est de savoir quelles corrections doivent être appliquées à ce graphe erroné pour récupérer le vrai linegraph. Le but est donc, d'une part, de pallier l'incertitude du réseau en utilisant l'optimisation combinatoire et stochastique ou l'apprentissage automatique et d'autre part, d'enrichir l'abondante bibliographie théorique sur les problèmes de distance d'édition dans les graphes.

The objective of this phd project is to discover the topology of an energy distribution network from which we know the set of edges without identification of their extremities. To do so, we can do physical correlations measurements on some accessible edges. Without errors, we obtain the linegraph of the network, which is enough to retrieve the network itself. However, due to noisy measurements, we obtain instead a graph that is close to a linegraph. The question is which corrections should be applied to get back the unknown real linegraph. This project objective is, firstly, to overcome the uncertainty of the network by using combinatorial and stochastic optimization or machine learning and secondly, to enrich the abundant theoretical bibliography on the edit-distance problems in graphs.