Ce cours présente les fondements théoriques, les architectures et les applications des réseaux neuronaux sur graphes (GNN). Il aborde les cadres de passage de messages, les modèles convolutifs sur graphes et les architectures avancées pour les graphes hétérogènes et dynamiques. Les étudiants apprendront à concevoir, mettre en œuvre et évaluer des GNN pour des tâches telles que la classification des nœuds, la prédiction des liens et l'apprentissage de représentations au niveau du graphe.
Ce cours offre une compréhension approfondie de l'apprentissage profond basé sur les graphes. Il commence par présenter les concepts fondamentaux de la théorie des graphes et de la représentation des réseaux, puis aborde en détail les formulations spectrales et spatiales des réseaux GNN. Les principaux modèles, notamment les GCN, les GAT, GraphSAGE et les réseaux GNN hétérogènes, y sont étudiés. Les sessions pratiques consistent à mettre en œuvre des GNN à l'aide des bibliothèques PyTorch Geometric et DGL sur des ensembles de données réels. Le cours se termine par une discussion sur les tendances actuelles de la recherche, les défis liés à l'évolutivité et l'interprétabilité dans l'apprentissage sur graphes.
À l'issue de cette formation, le participant sera capable de :
expliquer les principes mathématiques qui sous-tendent l'apprentissage de la représentation des graphes.
mettre en œuvre et entraîner des architectures GNN standard.
évaluer les performances du modèle sur des données structurées sous forme de graphe.
concevoir et adapter des architectures GNN à de nouvelles tâches et à des graphes hétérogènes.
analyser de manière critique des articles de recherche dans le domaine des réseaux de voisinage globaux (GNN).
Solides connaissances en algèbre linéaire, en probabilités et en apprentissage automatique.
Connaissances pratiques de Python et des frameworks d'apprentissage profond (de préférence PyTorch).
Recommandé : W. Hamilton, *Graph Representation Learning*, Morgan & Claypool, 2020.
Recommandé : Z. Wu et al., « A Comprehensive Survey on Graph Neural Networks », IEEE Transactions on Neural Networks and Learning Systems, 2021.
T. Kipf et M. Welling, « Classification semi-supervisée à l'aide de réseaux convolutifs sur graphes », ICLR, 2017.
Y. Hu et al., « Réseaux neuronaux sur graphes hétérogènes pour l'optimisation évolutive du problème du voyageur de commerce asymétrique », Neurocomputing, 2025.
Cours magistraux sur la théorie et la conception de modèles.
Ateliers de programmation consacrés à la mise en œuvre et à l'expérimentation.
Projet de groupe consistant à appliquer les réseaux GNN à un ensemble de données réelles.
Débats autour d'articles et exposés d'étudiants sur des travaux de recherche récents.
Relevé de notes