Aller au contenu
Accueil » Deuxième journée CodeGNN

Deuxième journée CodeGNN

La journée sera rythmée par des exposés laissant une large place aux questions/discussions. Les exposés de 20 minutes seront suivis de 15 minutes de questions.

  • 10h-10h35 : Yann Tirard-Gatel
    • Deux nouvelles approches à la reconnaissance d’actions par réseaux de neurones sur graphe
    • Dans le cadre de la reconnaissance d’actions par analyse de vidéos représentées par des graphes spatio-temporels, deux récentes approches seront présentées : une basée sur une analyse multi-échelle des données graphes (Multi-Scale Spatial Temporal Graph Convolutional Network for Skeleton-Based Action) et une autre approche basée sur une nouvelle modélisation temporelles des données (Temporal Graph Modeling for Skeleton-based Action Recognition).
  • 10h35-11h10 : Clément Gledel
    • Pré image de graphes par les normalizing flows
  • 11h10-11h30
    • Discussions
  • 14h-14h35 : Stevan Stanovic
    • Utilisation d’Ensemble Indépendant Maximal (MIS) dans le Pooling sur Graphes – Contributions et futurs projets.
    • Dans cette présentation, trois axes seront présentés :
      1. l’utilisation des MIS sur sommets, sur arêtes et sur le Line Graph
      2. les améliorations encore possibles avec les MIS
      3. une architecture adaptative tenant compte de la variété de la taille des graphes dans les jeux de données.
  • 14h35-15h10 : Jason Piquenot
    • Grammaire des GNNs
    • Nous proposons une nouvelle stratégie de conception de GNN. Cette stratégie s’appuie sur des grammaires algébriques, Context Free Grammar (CFG), générant le langage matriciel MATLANG. Elle nous permet de garantir à la fois le pouvoir d’expression du GNN, ses capacités de comptage des sous-structures et ses propriétés spectrales. En exemple de notre stratégie, nous avons conçu Grammatical Graph Neural Network G2N2, un GNN 3-WL capable de compter, au niveau des arêtes, des cycles de longueur inférieure ou égal à 6 et capable d’atteindre des filtres passe-bande. Les résultats expérimentaux de G2N2 sur les benchmarks de l’état de l’art sont prometteurs.