L’apprentissage automatique est devenu un sujet populaire de recherche ces dernières années, grâce à la réintroduction des réseaux de neurones au début des années 2010. L’abondance des données et la puissance de calcul à cette période ont permis d’obtenir de très bonnes performances dans un nombre varié de tâches d’apprentissage grâce à ces
réseaux de neurones. Ces dernières années la communauté de l’apprentissage s’est attachée à généraliser ces modèles aux données moins structurées qui sont portées par des graphes. Les réseaux de neurones sur graphes ont alors été proposés et ont connu récemment un certain succès, notamment les réseaux de convolution sur graphe ; ils sont utilisés dans une grande variété de modèles d’apprentissages liés aux graphes. Néanmoins ces réseaux ont des limites, mais elles peuvent être contournées notamment en les intégrant dans un modèle adéquat d’apprentissage.
Dans cette thèse, nous avons pu travailler sur certaines de ces problématiques d’apprentissage de représentation pour des graphes attribués, en nous appuyant sur ces réseaux de neurones sur graphes. Nous avons notamment étendu la CCA (l'analyse des corrélations canoniques) qui est une méthode de représentation multi-vues classique à des graphes attribués, en obtenant des propriétés intéressantes de robustesses et d'adaptation à un grand volume de données. Nous nous sommes également intéressés à la question de la représentation euclidienne de graphes. On a ainsi proposé une méthode de représentation multi-échelle qui puisse également traiter un grand volume de données et soit inductive ;
étant différentiable de bout en bout cette méthode peut aussi être combinée avec d’autres approches d’apprentissages automatiques. La méthode permet aussi de s’affranchir d’une des limitations des réseaux de convolutions qui ont du mal à extraire des informations globales sur les graphes. Enfin, nos travaux ont exploré comment définir une notion de distances entre graphe et plus particulièrement comment aborder la question d'apprentissage de métrique pour des jeux de données attribuées, en combinant des réseaux de neurones et du transport optimal. L'objectif est alors de proposer un modèle simple mais efficace pour cette tâche d'apprentissage de métrique.
Gratuit
Disciplines