Aller au contenu
Accueil » Machine Learning sur Graphes

Machine Learning sur Graphes

Groupe de Travail

Motivation

Le but de ce groupe de travail est de réunir les travaux autour de la thématique graphes et machine learning qui sont menés au sein des laboratoires GREYC et LITIS, en lien étroit avec l’ANR Code GNN.

Réunions du GT

Réunion du 16/02/2023
  • 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 « 
Réunion du 26/01/2023
  • Présentation L. Yang état de l’art sur l’apprentissage dans des graphes dynamiques
  • Présentation R. Raveaux sur de nouveaux réseaux de neurones sur graphes
Réunion du 05/01/2023
  • Présentation par Luc des travaux au GREYC/LITIS sur la GED et ses approximation (diapos Luc1.pdf et Luc2.pdf)
  • Présentation par Florian d’un chapitre de la thèse de Mateus Riva (manuscrit sur le drive) 
 Réunion du 01/12/2022
Réunion du 10/11/2022
  • Présentation par Stevan (Thèse ANR CoDeGNN) de son avancement de thèse sur la décimation et le pooling
  • Présentation par Jason (Thèse ANR CoDeGNN) de l’article “Understanding and Extending Subgraph GNNs by Rethinking Their Symmetries” : NeurIPS’22 (https://arxiv.org/pdf/2206.11140.pdf)
  • Présentation par Aldo (Thèse HAISCODE) de l’article “Graph Neural Networks as Gradient Flows: understanding graph convolutions via energy” : soumis à ICLR 2023 (https://arxiv.org/abs/2206.10991) https://openreview.net/forum?id=M3GzgrA7U4  

Liens utiles