Travailler avec des données structurées : Graph Neural Network (GNN)

• 00:00 Introduction de la séquence
• 03:05 Sommaire de la séquence
• 04:04 Les graphes sont partout !
• 14:36 Terminologie et concepts
• 23:31 Définition formelle d’un graphe
• 25:34 Stocker des informations dans un graphe : les labels
• 28:56 Notion de proximité
• 31:15 Représentation des graphes
• 37:25 Notation des matrices de représentation
• 47:08 Graph embedding
• 57:05 Transductive and inductive learning
• 01:13:31 Taches possibles
• 01:22:20 Exemples de réseaux et taxonomie des outils
• 01:32:33 Graph convolution
• 01:36:54 Message passing
• 01:41:45 Graphes et transformers (Alphafold, …)
• 01:54:25 Ressources et références
• 01:56:01 Exemples rapides
• 01:59:35 Conclusion

Décrire un objet peut être très complexe. Si la représentation d’une image ou d’un signal peut se faire de manière relativement simple avec une matrice (tenseur) ou un vecteur, comment représenter une molécule, un réseau ou plus généralement un système complexe comportant des interactions ? Comment travailler avec de tels objets, effectuer une prédiction ou une classification ?

Les Graph Neural Networks (GNN) sont des réseaux de neurones capables de travailler avec des données représentants des graphes et leur domaines d’applications sont extrêmement vastes : Drug design, détection de fraude, recommandation, etc.

Durée : 2h00