Décompositions tensorielles pour l'apprentissage automatique interprétable sur les graphes temporels // Tensor Decompositions for Interpretable Machine Learning on Temporal Graphs

Les graphes temporels sont essentiels pour modéliser des systèmes complexes tels que les réseaux sociaux ou l'Industrie 4.0. Cependant, l'application de l'IA à ces objets reste un défi, principalement en raison de la difficulté à définir des mesures de similarité entre eux. Les méthodes actuelles résolvent ce problème en les projetant dans des espaces euclidiens, mais elles manquent d'interprétabilité et ne sont pas adaptées aux tâches spécifiques aux graphes temporels.

Ce projet vise à surmonter ces limites en développant des mesures de similarité interprétables pour les graphes temporels, reposant sur de nouvelles méthodes de décomposition tensorielle. Inspirées du traitement du signal, ces décompositions visent à identifier des 'atomes' – des motifs élémentaires capturant les caractéristiques temporelles et structurelles clés. Ces motifs serviront de base pour concevoir des métriques de distance et des algorithmes d'apprentissage.

Les résultats attendus incluent des méthodes de décomposition tensorielle adaptées à la nature parcimonieuse, binaire et multi-échelle des graphes temporels, ainsi que des métriques de similarité pour améliorer l'apprentissage automatique sur ces structures. Une boîte à outils Python intégrera ces méthodes pour une adoption académique et industrielle. Les applications incluent l'analyse de plateformes en ligne (par exemple, Wikipedia) pour étudier les cycles de vie des projets et la détection des dysfonctionnements dans les systèmes de l'Industrie 4.0.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Temporal graphs are crucial objects for modeling complex systems like social networks and Industry 4.0. However, applying machine learning to temporal graphs remains a significant challenge, primarily due to the difficulty in defining meaningful similarity measures between data instances, which are essential for many machine learning tasks. Existing approaches typically embed temporal graphs sub-structures into Euclidean spaces, but these methods lack interpretability and they are ill suited for task at the temporal graph level.

This project aims to overcome these limitations by developing interpretable similarity metrics for temporal graphs based on novel tensor decomposition methods. Inspired by signal processing, the approach seeks to identify fundamental 'atoms'—elementary motifs capturing key temporal and structural features. These motifs will form the basis for designing interpretable distance metrics and machine learning algorithms for tasks such as clustering, segmentation, and outlier detection.

The expected outcomes include scalable tensor decomposition methods tailored to the sparse, binary, and multi-scale nature of temporal graphs, along with a set of novel similarity metrics for better machine learning on these structures. A Python toolbox will integrate these methods for adoption in academic and industrial contexts. Applications include analyzing online platforms (e.g., Wikipedia) to study project lifecycles and detecting faults in Industry 4.0 systems.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025
WEB : https://data2laws.wp.imt.fr/

Autre financement public

ANR Financement d'Agences de financement de la recherche

Université du Littoral Côte d'Opale

585 Sciences, Technologie, Santé

Nous recherchons des candidats motivés possédant une expérience pertinente en informatique, en science des données et en apprentissage automatique des graphes. Une expérience en programmation Python et en traitement du signal serait un plus.
We look for highly motivated candidates with relevant experience in computer science, data science, and graph machine learning. Experience in Python programming and signal processing will be a plus.