Thèse Année : 2024

Contributions to scalable clustering of networks and graphs

Contributions à une efficiente classification non-supervisée de réseaux et de graphes

Chakib Fettal

Résumé

Graphs are an important data structure used in many fields because they provide a powerful tool for modeling and analyzing complex systems. They are used to represent relationships between entities, such as individuals in a social network or nodes in a computer network. Graphs have been used in various applications across different fields, such as social network analysis, bioinformatics, computer science, transportation, epidemiology and many more. In social network analysis, for example, graphs can be used to study patterns of interactions between individuals in a social network and identify groups of individuals with similar interests or behaviors. This can be useful for targeted marketing or recommendations. In bioinformatics, graphs can be used to identify functional modules in protein-protein interaction networks. Graph clustering, also known as community detection, is an important technique in the analysis of graph data. Clustering allows for the identification of groups of similar nodes within the graph. This can reveal underlying patterns and structures in the graph that may not be immediately apparent. For example, in a social network, clustering can reveal groups of individuals with similar interests or behaviors, and in bioinformatics, clustering can reveal functional modules in protein-protein interaction networks. The thesis tries to address scalability issues of the state-of-the-art graph clustering models and presents approaches for clustering and representation learning different types of graphs, including classical graphs, bipartite graphs, attributed graphs, bipartite attributed graphs, and multi-view attributed graphs. To this end we leverage techniques such as: linear projections, Laplacian smoothing, optimal transport, etc. The proposed approaches all share three key characteristics: simplicity, cost-effectiveness, and having few hyper-parameters. Thanks to their simple yet effective nature, the proposed methods are competitive with the state of the art while also generally being more computationally efficient. We showcase the efficacy and efficiency of our models against state-of-the-art methods through extensive experimentation and significance testing.
Les graphes sont des structures de données relationnelles très utiles dans de nombreux domaines car ils constituent un outil puissant pour la modélisation et l'analyse de systèmes complexes. Ils sont utilisés pour représenter les relations entre les entités, comme les individus dans un réseau social ou les nœuds dans un réseau informatique. Les graphes ont été utilisés dans diverses applications et dans différents domaines, tels que l'analyse des réseaux sociaux, la bioinformatique, l'épidémiologie et bien d'autres encore. Dans l'analyse des réseaux sociaux, par exemple, les graphes peuvent être utilisés pour étudier les modèles d'interactions entre les individus dans un réseau social et également pour identifier les groupes d'individus ayant des intérêts ou des comportements similaires. Cela peut particulièrement être utile pour le marketing ou les recommandations ciblées. Le partitionnement (classification non supervisée ou clustering) de graphes, également connu sous le nom de détection de communautés, est une technique importante dans l'analyse des données de graphes. Il permet d'identifier des groupes de nœuds similaires dans le graphe. Cela peut révéler des motifs et des structures sous-jacents dans le graphe qui ne sont pas immédiatement apparents. Par exemple, dans un réseau social, le clustering peut révéler des groupes d'individus ayant des intérêts ou des comportements similaires, et en bioinformatique, il peut révéler des modules fonctionnels dans les réseaux d'interaction protéine-protéine. Cette thèse vise à résoudre les problèmes de scalabilité des modèles de clustering de graphes de l'état de l'art et présente des approches nouvelles pour le clustering et l'apprentissage de représentations de différents types de graphes, y compris les graphes classiques, les graphes bipartis, les graphes attribués, les graphes attribués bipartis et les graphes attribués multi-vues. À cette fin, nous exploitons des approches classiques telles que les projections linéaires, le lissage laplacien et le transport optimal. Les approches proposées partagent toutes trois caractéristiques clés: simplicité, efficacité et parcimonie. Grâce à leur nature simple mais efficace, les méthodes proposées sont compétitives par rapport à l'état de l'art tout en étant généralement plus efficaces en termes de calcul. Nous démontrons l'efficacité et l'efficience de nos modèles par rapport à l'état de l'art par le biais d'une expérimentation approfondie et de tests de significativité statistique.
Fichier principal
Vignette du fichier
va_Fettal_Chakib.pdf (10.62 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04918839 , version 1 (29-01-2025)

Identifiants

  • HAL Id : tel-04918839 , version 1

Citer

Chakib Fettal. Contributions to scalable clustering of networks and graphs. Machine Learning [cs.LG]. Université Paris Cité, 2024. English. ⟨NNT : 2024UNIP7020⟩. ⟨tel-04918839⟩
0 Consultations
0 Téléchargements

Partager

More