Traitement de signaux dynamiques sur graphes – DGSP

Nous proposons de nouveaux développements dans le traitement probabiliste des graphes, du point de vue des concepts de graphes dynamiques et complexes, c'est-à-dire que le concept représenté par un graphe, basé sur des signaux, est compris dans plusieurs dimensions/couches et peut évoluer constamment. Nous ferons progresser la théorie pour caractériser différents types d'incertitude et fournirons des outils pour modéliser et suivre cette évolution, en mettant l'accent sur la robustesse, l’applicabilité et l'interprétation. Nous proposons de lancer des méthodologies de filtrage probabiliste, par exemple des méthodes de Monte Carlo séquentielles dans un cadre bayésien récursif, mais de combiner cela avec des représentations de graphes neuronales profondes modernes pour garantir la traitabilité et un apprentissage par renforcement profond pour gérer l'adaptabilité aux concepts dynamiques, et de la robustesse. En tant que projet interdisciplinaire, nous avons élaboré une proposition de partenariat (avec un partenaire non financé) pour fournir l'expertise nécessaire. Des résultats positifs pourraient avoir un impact significatif sur l’interprétation d’événements complexes tels qu’on les trouve dans les contextes modernes ; que nous soutiendrions théoriquement et démontrerions empiriquement