Thèmes : Machine Learning, IA, Graphes, Deep Learning

Encadrant(s) : Marc Plantevit

Laboratoire : LIRIS

Equipe : DM2L

Dans de nombreux domaines où les données sont représentées sous forme de graphes, l'apprentissage d'une métrique de similarité entre les graphes est considéré comme un problème clé qui peut faciliter davantage diverses tâches d'apprentissage, telles que la classification, le clustering et la recherche par similarité. Récemment, il y a eu un intérêt croissant pour l'apprentissage de la similarité entre graphes via des méthodes de Deep Learning, où l'idée clé est d'apprendre un modèle profond qui mappe les graphes d'entrée à un espace cible de sorte que la distance dans l'espace cible se rapproche de la distance structurelle dans l'espace d'entrée.

L'objectif de ce projet est d'étudier les différentes méthodes de la littérature sur l'apprentissage de similarité entre graphes et de les comparer d'un point de vue expérimental.

• Étude de l'existant;
• Choix d'un ensemble de méthodes;
• Définition d'un protocole expérimental pour comparer les différentes méthodes;
• Etude empirique.

On peut imaginer aller jusqu'à la production d'une bibliothèque permettant la comparaison de méthodes

Deep Graph Similarity Learning: A Survey. Guixiang Ma · Nesreen K. Ahmed · Theodore L. Willke · Philip S. Yu

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