D-DGC : une approche dynamique pour le clustering profond des graphes attribués

Touati, Mohamed Fawzi (2022). « D-DGC : une approche dynamique pour le clustering profond des graphes attribués » Mémoire. Montréal (Québec), Université du Québec à Montréal, Maîtrise en informatique.

Fichier(s) associé(s) à ce document :

Prévisualisation	PDF Télécharger (8MB)

Résumé

L’analyse des graphes attribués est un domaine de l’exploration de données qui a attiré l’attention des chercheurs ces dernières années. En plus de la représentation classique des graphes où deux noeuds sont reliés par un lien, deux noeuds dans un graphe attribué possèdent un ensemble de caractéristiques déterminantes. De ce fait, une des problématiques fondamentales étudiées dans ce domaine est le clustering des graphes attribués, où chaque noeud du graphe est affecté à un cluster, selon des critères d’appartenance bien définis. Malgré que le clustering des graphes suscite l’intérêt dans le contexte non attribué, les graphes attribués donnent un formalisme intéressant à explorer dans la recherche, du fait de l’incorporation des attributs des noeuds et les caractéristiques de ces derniers ; ce qui donne davantage d’information à explorer pour la tâche de clustering. L’évolution des techniques de clustering de son côté a permis de découvrir des approches dites profondes basées essentiellement sur les autoencodeurs de graphes. Le clustering profond utilise une fonction de coût, celle-ci doit être minimisée pour optimiser la reconstruction faite par les autoencodeurs, et le clustering, selon la méthode de combinaison choisie. Bien qu’il existe un bon nombre de travaux abordant cette problématique, certains aspects demeurent peu ou pas abordés dans la littérature. Notamment : (1) l’aspect statique de la fonction de coût des modèles de clustering des graphes attribués, et (2) la sensibilité des modèles profonds au caractère arbitraire des descripteurs qui sont générés par les modèles d’apprentissage profond. Afin de pallier les limites des approches existantes, nous présentons dans le cadre de ce mémoire une nouvelle approche de clustering profond des graphes attribués. En exploitant le principe de l’apprentissage dynamique, l’approche proposée combine la fonction de coût d’un modèle basé sur les autoencodeurs de graphes à un paramétrage dynamique permettant une meilleure séparation des clusters grâce à un critère de confiance. L’efficacité de l’approche proposée est comparée à d’autres méthodes récentes sur différents ensembles de données. Les résultats obtenus démontrent l’efficacité de notre approche à diminuer l’impact du caractère arbitraire des descripteurs dans le cadre du clustering profond des graphes attribués. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Graphes attribués, Clustering profond, Apprentissage dynamique

Type:	Mémoire accepté
Informations complémentaires:	Fichier numérique reçu et enrichi en format PDF/A.
Directeur de thèse:	Bouguessa, Mohamed
Mots-clés ou Sujets:	Graphes attribués / Clustering / Apprentissage profond
Unité d'appartenance:	Faculté des sciences > Département d'informatique
Déposé par:	Service des bibliothèques
Date de dépôt:	24 nov. 2023 10:39
Dernière modification:	24 nov. 2023 10:39
Adresse URL :	http://archipel.uqam.ca/id/eprint/17186

Modifier les métadonnées (propriétaire du document)

Statistiques