L'objectif principal de ce stage est d'étudier la relation entre le profil de reconstructibilité d'un graphe et le gain obtenu par un réseau GNN par rapport à un modèle utilisant uniquement les attributs des nœuds : ΔGNN = PerfGNN − PerfMLP.
Le stagiaire déterminera si certaines formes spécifiques de reconstructibilité, en particulier dans le cas d’échantillons négatifs complexes, peuvent expliquer ou prédire ΔGNN. Ce travail consistera également à caractériser des contre-exemples : des structures de graphes qui ne peuvent pas être reconstruites mais qui sont sans rapport avec la tâche visée, ou des structures reconstructibles qui fournissent néanmoins un biais inductif efficace pour un GNN.
Le stage s'articulera autour de quatre axes de travail :
1. Renforcer le diagnostic de la reconstructibilité. Étendre correctement le protocole aux graphes non orientés ; ajouter des métriques telles que l’AUC de la courbe ROC et la précision moyenne ; mettre en œuvre des modèles de référence simples, notamment la distance euclidienne, la similarité cosinus et la régression logistique.
2. Étendre l’étude expérimentale. Ajouter des ensembles de données couvrant plusieurs familles et incluant ceux utilisés dans la littérature (TU Dataset, Pytorch Geometric Dataset, Open Graph Benchmark). Pour les ensembles de données contenant des coordonnées spatiales, mener des études d’ablation afin de quantifier leur contribution spécifique à la reconstructibilité.
3. Étudier la reconstructibilité globale. Mettre en œuvre un modèle qui utilise l’ensemble complet des attributs de nœuds X tout en restant strictement indépendant de la structure du graphe. Des architectures telles que DeepSets ou Set Transformers peuvent être explorées afin de déterminer si certaines arêtes ne peuvent être reconstruites qu’en replaçant les paires de nœuds dans leur contexte global de caractéristiques.
4. Relier le diagnostic aux tâches en aval. Comparez les modèles basés uniquement sur les caractéristiques et les GNN standard sur les tâches natives associées à chaque ensemble de données dans des conditions expérimentales équitables, en reproduisant les expériences et en extrayant les résultats des articles publiés. Analysez statistiquement la relation entre les profils de reconstructibilité et l’écart de performance entre les GNN et les MLP, tout en tenant compte de la famille de données, de l’homophilie, de la densité du graphe, du type de tâche, etc.
Fiche de poste complète en pdf joint
Les candidatures doivent inclure :
• un CV ;
• une lettre de motivation ou un bref message expliquant l’intérêt du candidat pour le sujet ;
• les coordonnées de personnes avec lesquelles vous avez déjà collaboré dans le cadre professionnel ou de vos études ;
• si possible, un exemple de projet pertinent, un dépôt de code ou un rapport scientifique. Un profil GitHub ou équivalent est particulièrement apprécié ;
Veuillez envoyer votre candidature à benoit.gauzere@insa-rouen.fr en indiquant en objet « Candidature – Stage FAMOUSMSc 2027 ». Les candidatures seront examinées au fur et à mesure jusqu’à ce que le poste soit pourvu.