En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Offre de thèse (H/F) : Graphes aléatoires en apprentissage

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : mercredi 13 juillet 2022

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Informations générales

Référence : UMR5216-VIRFAU-028
Lieu de travail : ST MARTIN D HERES
Date de publication : mercredi 22 juin 2022
Nom du responsable scientifique : KERIVEN Nicolas
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 octobre 2022
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Ces dernières années, l'apprentissage sur graphes (Graph ML, GML) a connu un fort regain d'intérêt, donnant par exemple naissance aux méthodes à noyaux sur graphes ou réseaux de neurones sur graphes (GNN), et avec de nombreux domaines d'application, de la chimie à l'imagerie ou à l'étude de réseaux sociaux.

Malgré cela, l'étude des garanties théoriques classiques en apprentissage, telles que les bornes de généralisation, servant à caractériser le pouvoir prédictif des modèles sur de nouvelles données, est restée relativement limitée. Ceci est partiellement dû à l'absence de modélisation statistique des graphes considérés : en effet, sans description du processus générant des nouvelles données telles que des nouveaux nœuds ajoutés au graphe, la notion même de généralisation n'est pas bien posée.

En parallèle, les modèles de graphes aléatoires représentent un domaine de recherche conséquent, mais ont été assez peu étudiés en apprentissage. En particulier, les modèles à espace latent (LPM : chaque nœud est associé à une variable latente inconnue, et les arêtes du graphes sont générées aléatoirement à partir de ces variables latentes) tels que les graphons font apparaître des grandes similarités avec l'apprentissage classique, avec la grande différence que les variables latentes ne sont pas observées.

L'objectif de cette thèse est d'explorer l'utilisation des modèles de graphes aléatoires en apprentissage sur graphes, dans le but de dériver des quantités telles que des bornes de généralisation, taille d'échantillon minimale, etc. Plusieurs modèles d'apprentissage et de graphes aléatoires seront comparés, empiriquement et théoriquement.

Contexte de travail

Le Gipsa-lab est une unité de recherche commune CNRS, Grenoble-INP (Institut de Technologie de Grenoble), Université de Grenoble conventionnée par l'Inria et l'Observatoire des Sciences de l'Univers de Grenoble.
Avec 350 personnes dont environ 130 doctorants, Gipsa-lab est une unité de recherche multidisciplinaire développant à la fois des recherches fondamentales et appliquées sur des signaux et des systèmes complexes.
Gipsa-lab développe des projets dans les domaines stratégiques de l'énergie, de l'environnement, de la communication, des systèmes intelligents, de la vie et de la santé et de l'ingénierie linguistique.
Par ses activités de recherche, Gipsa-lab maintient un lien constant avec l'environnement économique grâce à un partenariat fort avec les entreprises.
Le personnel du Gipsa-lab est impliqué dans l'enseignement et la formation dans les différentes universités et écoles d'ingénieurs de l'agglomération grenobloise (Université Grenoble Alpes).
Gipsa-lab est internationalement reconnu pour la recherche réalisée en Automatique et Diagnostic, Sciences de l'Information et de l'Image du Signal, Parole et Cognition. L'unité développe sa recherche au travers de 16 équipes organisées en 4 pôles de recherche :
.Automatique et Diagnostic
.Sciences des Données
.Géométries, Apprentissage, Information et Algorithmes
.Paroles et Cognition

Le Gipsa-lab regroupe 148 permanents et environ 260 non permanents (doctorants, post-doctorants, chercheurs invités, stagiaires en master…)

Contraintes et risques

NEANT

Informations complémentaires

NEANT

On en parle sur Twitter !