Graphes Aléatoires en Apprentissage Statistique – GRandMa

Le but du projet GrandMa est d’explorer l’utilisation de la théorie des Graphes Aléatoires (RG) en Apprentissage Statistique (ML) sur graphes. En effet, les grands graphes apparaissent dans de nombreux domaines, et leur modélisation statistique est essentielle. De manière étonnante, cette dernière est relativement absente de la littérature moderne en ML sur graphes, comme les noyaux sur graphes ou plus particulièrement les récents réseaux de neurones sur graphes (GNN). De ce fait, la plupart des outils de ML classiques cruciaux tels que les bornes de généralisation ou les vitesses de convergence en optimisation sont peu développés en ML sur graphes. Le projet GrandMa vise ainsi à améliorer la compréhension fondamentale des algorithmes de ML sur grands graphes, en particulier des GNNs, à caractériser leurs limitations, et à utiliser ces avancées théotiques pour developper des algorithmes efficaces avec garanties sur grands graphes aléatoires.