Apprentissage de représentations de graphes

Contenus

Objectif du Cours

Ce cours vise à enseigner la théorie et les techniques sous-jacentes à la transformation des graphes — utilisés pour la modélisation de données dans divers domaines — en vecteurs numériques grâce aux méthodes d'apprentissage de représentation de nouvelle génération. Il aborde le sujet dans un large spectre, allant des méthodes spectrales traditionnelles aux techniques contemporaines de Réseaux de Neurones sur Graphes (GNN). L'objectif principal est de fournir aux étudiants les outils nécessaires pour concevoir une logique de systèmes complexes pour l'analyse de données et de choisir la technique d'apprentissage de représentation appropriée pour résoudre les problèmes rencontrés.

Contenu du Cours

Introduction et Fondements de la Théorie des Graphes
Statistiques Traditionnelles de Graphes et Méthodes à Noyau (Kernel)
Chevauchement de Voisinage et Méthodes Spectrales
Plongements de Nœuds Faibles (Shallow) et Cadre Encodeur-Décodeur
Méthodes de Marche Aléatoire et Graphes de Connaissances
Réseaux de Neurones sur Graphes (GNN) et Passage de Messages
Méthodes d'Agrégation et de Mise à Jour dans les Architectures GNN
Examen Partiel
Mise en Commun (Pooling) de Graphes et Applications de Prédiction de Relations
Efficacité dans les Applications GNN et Échantillonnage de Nœuds
Convolutions Spectrales de Graphes et Motivations Théoriques
Capacité des GNN et Isomorphisme de Graphes
Modèles de Graphes Génératifs Traditionnels et Profonds
Présentation de Projet

Acquis d'Apprentissage du Cours

- Capacité à traiter un réseau complexe en tant que graphe
- Capacité à transformer un graphe en vecteurs numériques adaptés au problème étudié

Méthodes d'Enseignement

Cours magistral, remue-méninges (brainstorming), discussion

Ressources

https://www.cs.mcgill.ca/~wlh/grl_book/files/GRL_Book.pdf
http://web.stanford.edu/class/cs224w/

Intitulés des Sujets

Système d'évalution

Evalution de la Compétence

Tableau de la Charge de Travail