La deuxième journée CodeGNN se tiendra à Polytech Tours le 4 avril 2023.

Salle Lovelace (RdC)
PolytechTours Informatique
64 Avenue Jean Portalis
37200 Tours

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.

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).

Présentation de solutions au problème de pré-image basées sur les « Normalizing Flows » (NFs).: Dans cet exposé, nous présentons deux méthodes différentes pour résoudre le problème de préimage, ces deux méthodes étant basées sur les modèles génératifs de type NFs. Dans un contexte de classification et de régression, nous proposons un modèle d’apprentissage permettant de définir un modèle prédictif incluant la fonction de calcul de la pré image de tout point de l’espace latent. Nous présenterons d’abord ces méthodes sur des données vectorielles puis leur extension à des données structurées de type graphe

La détection et l’étude des pharmacophores à partir des données expérimentales.: L’exposé reviendra sur les principales étapes de la collaboration « GREYC/CERMN » autour de la détection des pharmacophores.
Ce sera l’occasion de montrer le matériel que nous utilisons maintenant : les données chemogénomiques fouillées, les représentations moléculaires utilisées, les techniques de détection des pharmacophores.
La présentation montrera aussi certaines pistes que nous comptons aborder prochainement.

Dans cette présentation, trois axes seront présentés :

l’utilisation des MIS sur sommets, sur arêtes et sur le Line Graph
les améliorations encore possibles avec les MIS
une architecture adaptative tenant compte de la variété de la taille des graphes dans les jeux de données.

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.

Deuxième journée CodeGNN