BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//CERN//INDICO//EN
BEGIN:VEVENT
SUMMARY:Soutenance de thèse de Hashem GHANEM
DTSTART:20230912T120000Z
DTEND:20230912T150000Z
DTSTAMP:20260423T021500Z
UID:indico-event-9219@indico.math.cnrs.fr
DESCRIPTION:Intitulé de la thèse : Apprentissage de graphes via l’opti
 misation bi-niveau.Directeurs de thèse : \n\nSamuel Vaiter\nNicolas Keri
 ven\nJoseph Salmon\n\nRésumé : Cette thèse se concentre sur l’\\emph
 {apprentissage de graphes} pour les tâches d’\\emph{apprentissage semi-
 supervisé} afin d’atténuer l’impact du bruit dans les graphes du mon
 de réel. Une approche pour apprendre les graphes est d’utiliser l’\\e
 mph{optimisation bi-niveau}\, dont le problème interne optimise le modèl
 e en aval\, et son problème externe évalue la performance du modèle opt
 imisé par rapport à une perte d’étiquetage et met à jour le graphe e
 n conséquence. Ce problème est en général intraitable. Une solution co
 nsiste à remplacer l’optimiseur interne par la sortie d’un algorithme
  itératif convergeant vers un bon proxy\, puis à utiliser la \\emph{diff
 érentiation automatique} pour évaluer sa dérivée par rapport au graphe
 \, qui est appris à l’aide d’un algorithme basé sur le gradient. Dan
 s cette thèse\, nous proposons d’abord d’appliquer cette approche pou
 r apprendre les priorités d’analyse-parcimonie\, ce qui revient à un p
 roblème d’apprentissage de graphe dans les applications liées à la va
 riation totale de graphe. Bien que le problème soit non-lisse\, nous prou
 vons empiriquement la capacité de ce solveur dans les tâches de débruit
 age de signaux 1D et 2D. Nous proposons ensuite d’utiliser l’optimisat
 ion bi-niveau pour entraîner un modèle paramétrique sur la prédiction 
 de la similitude entre les nœuds\, au lieu d’apprendre directement le g
 raphe. Nous montrons que cela améliore notablement les performances par r
 apport aux graphes observés. Enfin\, nous identifions et analysons le pro
 blème de \\emph{gradient scarcity}\, qui consiste en un manque de supervi
 sion sur les arêtes reliant des nœuds non étiquetés éloignés. Nous p
 rouvons que ce problème émerge lors de l’optimisation directe des arê
 tes observées tout en utilisant des réseaux de neurones graphiques ou la
  régularisation laplacienne dans la tâche en aval. Nous examinons plusie
 urs solutions à ce problème\, notamment l’apprentissage métrique\, la
  régularisation de graphe ou l’expansion du graphe\, et prouvons leur e
 fficacité\nLien zoom : https://univ-cotedazur.zoom.us/j/87345282209?pwd=c
 VpGcTR0TnJ6Rml3SUhyVm8yUUt5UT09\nMeeting ID: 873 4528 2209Passcode: 549422
 \n \n\nhttps://indico.math.cnrs.fr/event/9219/
LOCATION:Salle de conférence du LJAD (Laboratoire Jean Alexandre Dieudonn
 é (LJAD))
URL:https://indico.math.cnrs.fr/event/9219/
END:VEVENT
END:VCALENDAR