Réseaux Neuronaux Profonds à Hypergraphe Basés sur la Théorie des Jeux // Hypergraph Deep Neural Networks based on Game Theory

Les représentations graphiques des réseaux de neurones profonds traditionnels (telles que les réseaux convolutifs, les transformers, modèles de langues larges: LLMs) ont eu un impact sur de nombreuses méthodes d'apprentissage automatique pour la classification et la régression [1]. L'intelligence artificielle générative a également bénéficié de ces types de modèles dans lesquels seules les connexions par paires entre les données sont prises en compte. Cependant, notre quête de la perfection dans ce domaine basé sur l'apprentissage est motivée par notre mimétisme du système cognitif humain [2]. Ce système biologique complexe est loin de supposer que les données sont connectées par paires. L'interaction des neurones va bien au-delà des connexions par paires et est encore plus complexe. A titre d'exemple, les scénarios impliquant des données multimodales ont montré que la modélisation de la corrélation des données pourrait être plus complexe. Une structure de graphe simple dans laquelle une arête (ou un arc) représentée par deux nœuds (ou sommets) n'est pas suffisante pour bien représenter toutes les interactions multidimensionnelles. Par conséquent, il est impératif de concevoir une représentation graphique plus riche, qui serait proche de la réalité physique du système étudié. En outre, l'interaction des nœuds dans cette nouvelle structure doit également répondre aux besoins du fonctionnement de ce système.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Traditional deep graph representation (such as convolutional neural networks, transformers, large language models: LLMs) have impacted many machine learning classification and regression methods [1]. Generative artificial intelligence has also benefited from these types of models in which only pairwise connections among data are considered. However, our search for perfection within this learning-based realm is driven by our mimicking of the human cognitive system [2]. This complex biological system is far from assuming that data are pairwise connected. The neuron's interaction is certainly beyond pairwise connections and even far more complicated. For example, scenarios that involve multi-modal data have shown that data correlation modeling could be far more complex. A simple graph structure in which an edge (or an arc) represented by two nodes is not sufficient to represent all multidimensional interactions. Therefore, on the one hand, it is imperative to design a richer graphical representation, which would be close to the physical reality of the studied system. On the other hand, the interaction of the nodes in this new structure must also meet the needs of the functionality of this system.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Programme COFUND DeMythif.AI

Université Paris-Saclay GS Informatique et sciences du numérique

580 Sciences et Technologies de l'Information et de la Communication

Ingénieur / Master dans un domaine pertinent (par exemple, informatique, ML/IA, statistiques...) Excellente compréhension des bases de l'apprentissage automatique. Familier avec les modèles récents en intelligence artificielle : transformers, modèles de diffusion, auto-encodeurs...etc. Excellentes compétences en programmation, notamment avec Python, PyTorch Autonome et capable de s'adapter rapidement à la littérature / aux technologies récentes.
End of engineering degree / Master's degree in a relevant field (e.g., computer science, ML/AI, Statistics ...) Excellent understanding of machine learning basics. Familiar with recent Artificial Intelligence: transformers, diffusion models, auto-encoder…etc. Excellent programming skills, especially with Python, Pytorch Autonomous and able to quickly adapt to recent scientific literature/technologies.