Communautés de liens dans les réseaux complexes // Link communities in complex networks

La détection de communautés est l'un des sujets de recherche les plus développés dans le domaine des réseaux complexes. Elle a émergé après l'observation que la plupart des réseaux du monde réel peuvent être divisés en parties denses, appelées communautés, qui sont faiblement connectées entre elles. L'enjeu est de concevoir des méthodes permettant d'extraire automatiquement ces communautés à partir d'un réseau. L'approche la plus couramment utilisée consiste à partitionner les nœuds du réseau, et il existe à ce jour d'excellents algorithmes pour cela, le plus emblématique étant l'algorithme de Louvain.

Cependant, dans de nombreux cas, il serait plus pertinent de partitionner les liens du réseau plutôt que ses nœuds. En conséquence, le domaine a consacré beaucoup d'efforts à cette approche, mais sans parvenir à un consensus clair sur une méthode. L'objectif de cette thèse est de combler cette lacune en adoptant une approche similaire à celle utilisée pour la partition des nœuds.

La principale difficulté réside dans le fait qu'il n'existe actuellement aucune fonction de qualité permettant d'évaluer la pertinence d'une partition des liens du réseau en communautés, ce qui signifie en particulier que la fonction de qualité utilisée pour les partitions de nœuds ne s'adapte pas au cas des partitions de liens. Résoudre ce problème, qui constitue une limitation importante dans le domaine, représente le principal défi de cette thèse.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Community detection is one of the most developed topics of research on complex networks. It started after it was observed that most of real-world networks can be partitioned into dense parts, called communities, that are sparsely connected between them. The question is to design method to automatically extract these communities from a network. The most commonly used approach is to partition the nodes of the network and some very good
algorithms exist to do so, the seminal one being called the Louvain algorithm. It turns out that in many cases it would more relevant to partition the links of the network rather than its nodes. Consequently, the field has made much effort toward this goal, but without reaching a clear consensus on some method. The goal of this PhD thesis is to fill in this gap by following an approach similar to the one used for node partition. The main difficulty for doing so is that there is currently no quality function available to appreciate how good a partition of the links of the network into communities is, meaning in particular that the quality function used for node partitions does not adapt to the case of link partitions. Resolving this issue, which is a severe limitation for the domain, is the main challenge of the thesis.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Contrat doctoral EDSTIC-UCA ou EUR-DS4H

Université Côte d'Azur

84 STIC - Sciences et Technologies de l'Information et de la Communication

Le(la) candidat(e) devra être titulaire d'un M2 ou grade équivalent au moment du recrutement. Des connaissances de base en algorithmique et statistique sont nécessaires, ainsi qu'un goût prononcé pour la programmation et l'expérimentation avec des données réelles massives. Le(la) candidat(e) doit être capable de communiquer de façon fluide en Français ou en Anglais, bien qu'aucune certification ne soit exigée.
The candidate must hold a Master or equivalent degree when starting the PhD. Basic knowledge in the fields of algorithms and statistics is required, as well as a strong interest in programming and experimenting with large real-world datasets. The candidate must be able to communicate fluently in either French or English, although no certification is required.