SSL4LP

Scientific lead: CAZABET Rémy
Is SyCoSMA the project lead? No
Start date: 2025-01-01
End date: 2025-12-01

Le projet visera à explorer l’utilisation de l’apprentissage auto-supervisé pour un problème classique en science des réseaux, la prédiction de lien. L’objectif de cette tâche est de prédire, pour un graphe donné, quelles sont les paires de nœuds ayant le plus de chance d’être connectées par un lien, parmi celles qui ne le sont pas déjà. Au-delà d’applications pratiques telles que la recommandation (e.g., lien utilisateur/produit) ou la santé (interactions entre médicaments ou entre protéines), la capacité à prédire un lien est également un proxy pour évaluer notre capacité à comprendre comment un graphe est organisé : l’organisation du graphe est en effet intégralement définie par ses liens, et réciproquement, les liens observés sont une conséquence de l’organisation du graphe. Dans les approches classiques de prédiction de lien par GNN, la prédiction d’un lien entre deux nœuds se calcule à partir des paires de vecteurs des nœuds correspondant dans l’espace de plongement de ce graphe. L’objectif des méthodes d’apprentissage contrastif dans ce contexte est d’être capable de guider le plongement des nœuds de manière à préserver des propriétés désirées, tout en en variant d’autres. Par exemple, un modèle de graphe en bloc (Stochastic Block Model, SBM) ayant une structure en communauté donnée peut générer un grand nombre de graphes différents, ayant peu de liens en commun, mais correspondant tous à une même organisation. Cette information pourrait être utilisée, en générant des paires de graphes ayant peu de liens en commun, mais une même structure, ou au contraire de nombreux liens en commun, mais des structures différentes. Des travaux dans cette direction ont été publiés récemment. Nous commencerons par reproduire ces résultats, afin de les évaluer dans le contexte qui nous intéresse, celui de la prédiction de lien. Nous poursuivrons en proposant des approches originales. En particulier, la plupart des approches existantes ne cherchent qu’à conserver les structures en communauté du graphe. Nous chercherons à préserver un ensemble de structures, en générant des paires contrastives non seulement pour des graphes différents ayant la même structure en communauté, mais également des paires de graphes ayant la même structure spatiale, en cœur périphérie, etc. Nous pourrons nous appuyer sur des travaux récents de l’équipe SyCoSMA utilisant des techniques similaires sur des images. En imposant un plongement préservant autant d’aspects que possible de la structure du réseau, nous pensons être en mesure d’améliorer la capacité à capturer la complexité de son organisation, et donc à prédire ses futurs liens.