Séminaire DATA&AI – Intégration de métadonnées de nœuds dans des modèles graphiques gaussiens contraints par le Laplacien

Titre :
Intégration de métadonnées de nœuds dans des modèles graphiques gaussiens contraints par le Laplacien

Résumé :
Nous nous intéressons à l’apprentissage de graphes dans le cadre des modèles graphiques gaussiens (GGM). Dans ce contexte, les matrices de données sont souvent accompagnées de métadonnées auxiliaires (par exemple, des descriptions textuelles associées à chaque nœud), qui sont généralement ignorées dans les méthodes traditionnelles d’estimation de graphes.
Pour combler cette lacune, nous proposons une approche d’apprentissage de graphe fondée sur des GGM contraints par le Laplacien, exploitant conjointement les signaux des nœuds et ces métadonnées. La formulation obtenue conduit à un problème d’optimisation pour lequel nous développons un algorithme de majoration-minimisation (MM) efficace, avec des mises à jour sous forme fermée à chaque itération. Des résultats expérimentaux sur des données financières réelles montrent que la méthode proposée améliore significativement les performances de regroupement de graphes, illustrant ainsi l’intérêt de la fusion de ces deux sources d’information.

Intervenant :
Jianhua WANG, CNAM / Université Paris-Nanterre

Séminaire en ligne, lien à venir.