Recherche de motifs spatio-temporels fréquents dans un grand graphe via des méthodes d’apprentissage profond
Langue Français
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Zeghina, Assaad Oussama
Date de soutenance : 06-12-2024

Directeur(s) de thèse : Le Ber, Florence - Vacavant, Antoine

Président : Solnon, Christine
Rapporteur(s) : Claramunt, Christophe - Ienco, Dino
Membre(s) du jury : Leborgne, Aurélie

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : Extraction de motifs fréquents, Graphes spatio-temporels, Apprentissage profond, Apprentissage par renforcement
Mots-clés :
  • Apprentissage profond
Résumé : Les graphes sont essentiels pour représenter des relations complexes dans divers domaines. Cette thèse se concentre sur l’extraction de motifs fréquents dans les graphes spatio-temporels, un défi majeur en raison de la complexité algorithmique. Deux approches innovantes sont proposées : Multi-SPMiner, une adaptation de SPMiner pour multigraphes, utilisant un modèle de réseaux convolutionnels pour graphes, et Deep-QMiner, basé sur l’apprentissage par renforcement profond multi-agents. Ces méthodes, testées sur des données synthétiques et réelles, montrent leur efficacité pour extraire des motifs variés, avec une généralisation robuste entre ensembles de données, validant leur pertinence pour l’analyse de graphes complexes.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2024STRAD053
Type de ressource : Thèse