GraphologIA : Actionner les méga-graphes de données dans les dataflows d'apprentissage automatique

GraphologIA : Big data graphs management for machine learning dataflows

• Auteur / Autrice : Yuhe Bai
• Direction : Hubert Naacke
• Type : Projet de thèse
• Discipline(s) : Sciences de l'ingénieur
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : LIP6

Mots clés

Mots clés libres

Graphe de données

Gestion de méga données

Traitement de données

Passage à l'échelle

Algorithme parallèle et distribué

Chaine de traitement de données

Big graphs

Data management

Scalable data processing

Parallel and distributed algorithms

Dataflow

Résumé

Ce projet aborde la préparation et la transformation des grands graphes de données destinées à entraîner des modèles d'apprentissage automatique. Cette étape est d'autant plus difficile que les données à transformer sont volumineuses, hétérogènes et dynamiques. Les nœuds représentent des concepts variés et possèdent des propriétés dont la sémantique n'est pas alignée sur un référentiel commun. Les liens entre nœuds sont eux-mêmes hétérogènes. L'analyse de ces très grands graphes nécessite le développement d'algorithmes distribués qui exploitent au mieux les infrastructures big data pour passer à l'échelle. De plus, la préparation de ces graphes doit être extensible pour s'adapter aux nouveaux modèles d'apprentissage automatique. L'objectif de cette thèse est de concevoir un framework efficace qui permettra d'exécuter plus efficacement à la fois la préparation des données d'apprentissage et l'entraînement d'un modèle d'apprentissage. La méthode consistera à définir un langage pour décrire de manière logique et déclarative le processus qui transforme les données initiales vers un graphe, avec unification et alignement. Puis des nouvelles solutions d'indexation d'agrégation seront étudiées pour accéder de manière aléatoire et rapide au graphe ainsi que pour le mettre à jour incrémentalement.

This project deals with the preparation and transformation of large data graphs for training machine learning models. This task is all the more difficult as the data to be transformed is voluminous, heterogeneous and dynamic. The nodes represent various concepts and have properties whose semantics are not aligned on a common reference frame. The links between nodes are themselves heterogeneous. The analysis of these very large graphs requires the development of distributed algorithms that make the best use of big data infrastructures to scale up. Moreover, the preparation of these graphs must be scalable to accommodate new machine learning models. The objective of this thesis is to design an efficient framework that will allow for more effective execution of both the preparation of training data and the training of a learning model. The method will consist of defining a language to describe in a logical and declarative way the process that transforms the initial data into a graph, with unification and alignment. Then, new aggregation indexing solutions will be studied to access the graph in a random and fast way and to update it incrementally.