Soutenance de thèse d'Aldo Moscatelli Mardi 07 juillet à 14h à l'UFR Sciences et Techniques site du Madrillet

Aldo Moscatelli soutiendra sa thèse intitulée :
« Apprentissage de la distance d’édition entre graphes par des réseaux de neurones sur graphes expressifs »

Date : Mardi 07 juillet à 14h00
Lieu : Amphithéâtre D, UFR Sciences et Techniques, site du Madrillet, Saint-Étienne-du-Rouvray

Lien visio : https://www.youtube.com/live/slQtA_qTx9k

Le jury de thèse sera composé de :

• Laetitia Chapel – Institut Agro Rennes-Angers (Examinatrice)
• Guillaume Renton – CY Cergy Paris Université (Examinateur)
• Paul Honeine – Université de Rouen Normandie (Examinateur)
• Vincent T’Kindt – Université François Rabelais de Tours (Rapporteur)
• Andreas Fischer – University of Fribourg (Rapporteur)
• Maxime Berar – Université de Rouen Normandie (Co-encadrant)
• Sébastien Adam – Université de Rouen Normandie (Directeur de thèse)

Cette thèse s’intéresse à la comparaison de graphes, une problématique centrale dans de nombreux domaines tels que la chimie, la biologie, la vision par ordinateur ou encore l’analyse de réseaux. Plus précisément, elle porte sur l’estimation de la distance d’édition de graphes (Graph Edit Distance, GED), une mesure de référence permettant d’évaluer la similarité entre deux graphes, mais dont le calcul exact est particulièrement coûteux.

Les travaux présentés explorent l’apport de l’apprentissage profond et des réseaux de neurones sur graphes (GNNs) pour apprendre des approximations efficaces de cette distance, tout en préservant les propriétés structurelles qui en font la pertinence. Trois contributions complémentaires sont proposées : une première méthode apprenant explicitement les correspondances entre les sommets des graphes, une deuxième étudiant l’impact de l’expressivité des représentations sur la qualité de l’estimation, et une troisième introduisant une modélisation différentiable de la structure combinatoire de la GED, inspirée de la formulation en problème d’affectation quadratique.

Ces travaux contribuent à rapprocher les approches classiques d’optimisation combinatoire et les méthodes modernes d’apprentissage profond, en proposant de nouvelles stratégies pour estimer efficacement la distance d’édition de graphes.