Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : ICube ou Institut Pascal
Durée : 6 mois
Contact : aurelie.leborgne@unistra.fr
Date limite de publication : 2021-01-31

Contexte :
Le recueil de données spatio-temporelles est de plus en plus fréquent, que ça soit dans le domaine médical, environnemental, industriel, etc. Pour valoriser ces grandes masses de données spatio-temporelles nous voulons développer une approche innovante, basée sur le deep learning. Plus précisément, nos données étant modélisées par un graphe spatio-temporel, nous désirons travailler sur la recherche de sous-graphes fréquents au sein d’un même graphe. Ainsi, nous pourrions apporter, aux différents experts des domaines, une réponse sur les évenements qui se reproduisent fréquemment au cours du temps et à des endroits différents. Plusieurs applications potentielles des résultats de stage sont envisageables :
– le calcul d’une forme moyenne ou caractéristique à partir de géométries à des instants différents, comme à partir d’acquisitions d’imageries médicales dans un suivi patient ;
– dans le cadre de l’analyse des registres parcellaires graphiques dans le temps, pour extraire des parcelles qui sont cultivées de manière similaire, en prenant en compte les reconfigurations de leur périmètre ;
– rechercher les interactions récurrentes entre les réseaux neuronaux dans des imageries par résonance magnétique fonctionnelles cérébrales.

Sujet :
Les tâches suivantes seront à réaliser :
– Bibliographie sur le sujet ;
– Réflexion sur les réseaux de neurones profonds à utiliser afin d’obtenir, dans un premier temps, un motif qui se répète dans un graphe. Techniquement, en entrée du réseau de neurones, nous aurions un graphe spatio-temporel à analyser et en sortie un sous-graphe spatio-temporel fréquent. Pour ce faire, il sera probablement nécessaire de combiner différentes architectures existantes comme les Convolutional Graph Neural Networks (ConvGNNs) ou les Graph AutoEncoders (GAEs) et donc de travailler sur la structuration des réseaux ;
– Mise en oeuvre du réseau de neurones, par le biais de librairies appropriées comme PyTorch, Deep Graph Library ou encore Tensorflow ;
– Tests de la méthode réalisée, interprétation et comparaison des résultats ;

Profil du candidat :
Autonome en programmation (de préférence Python), connaissances sur les graphes et les réseaux de neurones, intérêt pour le développement expérimental.

Formation et compétences requises :
Master informatique ou équivalent

Adresse d’emploi :
300 bd Sébastien Brant à Illkirch
ou
8 Rue Jean Baptiste Fabre Le Puy-en-Velay

Document attaché : 202010150918_stage2021_DL-RechercheMotifsFrequents.pdf