Thèmes : Machine Learning, IA, Data Mining, graphe, metric learning, optimisation convexe, enumération de sous-graphes

Encadrant(s) : Marc Plantevit

Laboratoire : LIRIS

Equipe : DM2L

Les graphes sont un puissant outil pour modéliser des données structurées. Bien que de nombreuses méthodes de machine learning s'appuient sur une métrique entre objets, la définition d'une fonction de distance appropriée entre graphes reste un problème.

L'objectif de ce projet est de définir et implémenter une méthode d'apprentissage supervisé de métrique entre graphes tout en permettant que cette métrique soit interprétable.

• Etude de l'existant
• Proposition et implémentation d'une méthode
• Etude expérimentale sur différents jeux de données

La description est très “gros grain” et dépendra effectivement de l'appétence des étudiants pour certaines directions.

Tomoki Yoshida, Ichiro Takeuchi, Masayuki Karasuyama: Learning Interpretable Metric between Graphs: Convex Formulation and Computation with Graph Mining. KDD 2019: 1026-1036

A. Bellet, A. Habrard, and M. Sebban. 2012. Good edit similarity learning by loss minimization. Machine Learning 89, 1-2 (2012), 5–35.

Ce projet est pertinent pour les étudiants désirant s'orienter vers les parcours de masters 2 DS, TIW, IA.