Soutenance HDR de Benoit GAUZËRE le 23 octobre à 14h

Benoit Gauzëre soutiendra son Habilitation à Diriger des Recherches intitulée" Contributions to Machine Learning on Graphs, le vendredi 23 octobre 2026 à 14 heures.

La salle sera communiquée ultérieurement.

Au cours de la dernière décennie, l’apprentissage automatique sur graphes s’est imposé comme l’un des piliers de l’intelligence artificielle, en fournissant un langage naturel pour modéliser des systèmes complexes en interaction dans des domaines tels que la chimie, la biologie ou les sciences sociales. Cependant, le passage des grilles euclidiennes aux espaces topologiques irréguliers soulève des difficultés fondamentales. Ce manuscrit défend une approche de l’apprentissage sur graphes fondée sur leur structure, organisée autour de trois axes : mesurer, représenter et générer.

Nous abordons tout d’abord la mesure des dissimilarités structurelles dans l’espace discret des graphes. Nous montrons comment la distance d’édition de graphes peut être rendue calculable grâce à des relaxations continues et à l’alignement métrique, fournissant ainsi une mesure rigoureuse de dissimilarité topologique. Nous étudions ensuite la représentation des graphes dans des espaces vectoriels continus à l’aide de réseaux de neurones sur graphes. En établissant un lien entre convolutions spectrales et spatiales, nous introduisons des opérateurs fondés théoriquement, notamment des filtres expressifs et des méthodes de pooling « exactement un», conçus pour atténuer des limitations intrinsèques telles que l’over-smoothing et l’over-squashing. Enfin, nous traitons la génération de graphes en formalisant le problème de pré-image. Nous montrons comment revenir d’espaces latents continus vers le domaine discret des graphes grâce à l’inversibilité exacte et à l’estimation de graphes médians, faisant ainsi de la génération un puissant outil d’interprétabilité.

Ce manuscrit présente finalement un projet de recherche qui dépasse le cadre des benchmarks académiques statiques. En intégrant des architectures globales, des dynamiques temporelles et une validation expérimentale transdisciplinaire, l’objectif est de faire évoluer l’apprentissage automatique sur graphes d’une technique de modélisation prédictive vers un instrument robuste et fiable au service de la découverte scientifique.