Machine Learning sur Graphes

Mariana Brito Azevedo : Explicabilité des décisions d’un GNN, application à la chémoinformatique

Les modèles d’intelligence artificielle et les réseaux de neurones ont montré leur intérêt dans les phases amont de la conception de médicaments, notamment pour la prédiction de l’activité de molécules sur une cible biologique. Ce travail de thèse a pour objectif de développer des techniques afin d’expliquer aux chercheurs en sciences du médicament quelles structures chimiques sont importantes dans la prise de la décision. L’exposé présentera le contexte de la thèse et les premiers résultats avec un nouveau classifieur fondé sur des GNN utilisant le graphe des atomes et le graphe des caractéristiques pharmacophoriques. Quelques pistes de travail sur l’explicabilité seront abordées en perspective, y compris une première stratégie qui a déjà été codifiée.

[Slides]

Graph-based Pattern Recognition — Latest Developments of the Bern Group

The Pattern Recognition Group at the University of Bern has a long tradition in graph-based pattern recognition.In this talk, we will discuss the latest research directions that have been explored in our group in recent years. This includes, for example, the introduction of the matching-graph, an auxiliary-structure that can be used for various pattern recognition purposes, or the reduction of the graph size to speed up graph matching. In our latest efforts, we are developing novel methods of both graph matching and graph embedding that access graph neural networks in various ways. Last but not least, we would like to give an insight into an exciting graph-based pattern recognition application, namely water temperature prediction in the Swiss river network.

[Slides] and [Video]

Antoine Bourlier :  Développement de méthodes et architectures GNN pour l’analyse et la comparaison morphologique d’encéphales

L’essor de méthodes d’imagerie cérébrale génère une masse considérable de données morphologiques et fonctionnelles. Pour autant, leur exploration puis leur comparaison au cours du temps pour un individu (développement et vieillissement), entre individus (variabilité au sein de l’espèce), et plus encore entre espèces différentes, n’ont pu être que partielles. Nous proposons de modéliser ces données sous forme de graphes, puis d’utiliser les approches récentes de l’intelligence artificielle pour mieux les analyser. Plus particulièrement, nous adoptons une stratégie sans a priori biologique, nous permettant de nous affranchir des limites et des biais présents dans les étapes de segmentation et de transformation sous forme de graphe.
Dans ce cadre, nous avons développé une première architecture de réseau de neurones sur graphes (GNN) afin de résoudre une tâche de prédiction de l’âge d’encéphales d’agneaux. Nous poursuivons actuellement avec le développement d’une architecture basée sur les autoencodeurs variationnels sur graphes (VGAE) pour une analyse plus approfondie et une meilleure comparaison des graphes. Cette architecture sera déployée sur une base de données de cerveaux humains incluant des cas de troubles tels qu’Alzheimer, des pertes de mémoire significatives, etc

 Jean Yves Ramel : Discussion autour de l’article « Knowledge-driven multi-graph convolutional network for brain network analysis and potential biomarker discovery. Xianhua Zeng, Jianhua Gong, Weisheng Li, Zhuoya YangMedical Image Analysis 99 (2025) »

[Slides] et [Video]

Titre : Méthode hybride pour l’alignement d’entités dans des graphes de connaissances hétérogènes

Résumé : L’alignement d’entités sur les graphes de connaissances (KG) consiste à identifier les nœuds représentant une même entité au sein de deux différents graphes. Les différents modèles existant rencontrent deux types de défis que sont l’hétérogénéité sémantique et l’hétérogénéité structurelle. L’objectif est donc de relever ces challenges tout en cherchant à limiter les coûts computationnels. Nous présentons ici HybEA, une méthode hybride qui combine une approche adaptative capable de gérer différents niveaux d’hétérogénéité sémantique et structurelle des KGs réels, une représentation des graphes d’entités optimisée pour prédire les correspondances tout en maîtrisant les coûts, et ce via une méthode semi-supervisée qui complète itérativement les informations factuelles par des informations structurelles, et inversement.

[Slides] et [Video]

Titre : A story on Graph Regularization thanks to Total Variation in Deep Learning era

Résumé : Graph regularization encourages solutions to be smooth along the edges of a graph, promoting consistency between similar nodes. In this context, total variation on graphs measures the smoothness of signals defined on graph structures. In this presentation,  graph regularization is first discussed as an optimization layer in a Deep Learning architecture. Alternatively, graph regularization is integrated as a pre-processing step to accelerate a deep learning model based on graph transformers. All methods are applied to image tasks such as semantic segmentation.

[Slides] et [Video]

Présentation des travaux des doctorants de CodeGNN

• Jason Piquenot : if you want cycle, follow this path [Slides]
• Stevan Stanovic : Graph Neural Networks with Maximal Independent Set-Based Pooling: Mitigating Over-smoothing and Over-squashing [Slides]

Et le lien vers l’enregistrement de la séance : lien

Réunion de rentrée

• Fonctionnement pour l’année prochaine
• Brainstorming d’un futur projet scientifique (cf. Drive)

Établissement du planning 2024/2025

• 17 octobre : Jason Piquenot et Stevan Stanovic
• 21 novembre : Romain Raveaux
• 19 décembre : Sébastien Adam
• 30 janvier : Jean Yves Ramel
• 27 février : Benoit Gaüzère
• 27 mars : Pierre Héroux, Luc Brun et Jean-Luc Lamotte
• 24 avril : Maxime Bérar
• 15 mai : Florian Yger
• 12 juin : Benoit Gaüzère

Avancées des travaux de Jason et Aldo

• Présentation des travaux d’Aldo Moscatelli sur l’apprentissage de distance entre graphes via Transport Optimal et GNN. Slides : https://www.normastic.fr/wp-content/uploads/documents/slides_aldo_05_2024.pdf
• Présentation de Jason Piquenot de G²N². Slides : https://www.normastic.fr/wp-content/uploads/documents/slides_jason_05_2024.pdf
• Trois stagiaires nous ont également présentés leurs travaux : Noé, Hugo et Pierre.
• Lien vers le replay : https://webconf.univ-rouen.fr/playback/presentation/2.3/256d55c29d53c44d90a9f61b734b37fb2dc784e1-1716452627893

Dans le cadre de l’école MINMACS, 3 étudiants de M1 ont présenté leurs travaux le 12 avril autour de la distance d’édition sur graphe et du ML :

• Hugo : Estimation de la distance d’édition entre graphes par apprentissage par renforcement (enc. Pierre Héroux)
• Pierre : Comment estimer la GED avec du transport optimal ? (enc. Maxime Bérar)
• Noé : Approximation de la GED par transformeur (enc. Aldo Moscatelli)

Le lien vers le replay : https://webconf.univ-rouen.fr/playback/presentation/2.3/256d55c29d53c44d90a9f61b734b37fb2dc784e1-1712923220430

Session centrée sur les graphes dynamiques

• Présentation des travaux de Leshanshui Yang sur un état de l’art des réseaux de neurones sur les graphes dynamiques, ainsi qu’une approche spectrale pour la prédiction de liens. Les slides sont ici :https://www.normastic.fr/wp-content/uploads/documents/slides_leshanshui.pdf
• Présentation de Yannis Karmim sur ces avancées portant sur les mécanismes d’attention dans les cadre des GNNs sur graphes dynamiques. Slides : https://www.normastic.fr/wp-content/uploads/documents/slides_karmim.pdf
• Lien vers le replay : https://webconf.univ-rouen.fr/playback/presentation/2.3/256d55c29d53c44d90a9f61b734b37fb2dc784e1-1712219060022

• Présentation des travaux de Jérôme Lapuyade-Lahorgue sur la combinatoire analytique. Malheureusement, on a oublié d’enregistrer. Mais les slides sont ici : https://www.normastic.fr/wp-content/uploads/documents/Presentation_Lapuyade.pdf

• Présentation des travaux de Domenico Tortorella (https://dtortorella.github.io/) de l’Université de Pise sur ces travaux : Reservoir Computing for Static and Dynamic Graphs. Lien vers le replay : https://webconf.univ-rouen.fr/playback/presentation/2.3/256d55c29d53c44d90a9f61b734b37fb2dc784e1-1703150206016

• Présentation des travaux de Justine Reynaud et Jean-Luc Lamotte du GREYC sur la recherche de définitions à partir de pharmacophores fréquents.

• Présentation des travaux de Clément Gledel : Réseaux de Neurones Génératifs pour la Résolution du Problème de Pré-image

• Présentation par Donatello Conté d’un (autre) état de l’art sur l’apprentissage dans des graphes dynamiques
• Présentation par Jacques-Yves Campion : « VGAE pour l’exploration des différences morpho-fonctionnelles pour l’étude des maladies neuropsychiatriques « 
• Replay de la séance : https://webconf.univ-rouen.fr/playback/presentation/2.3/256d55c29d53c44d90a9f61b734b37fb2dc784e1-1676537186760