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

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

Contexte :
Valoriser les grandes masses de données spatio-temporelles disponibles dans différents domaines est crucial. Ceci nécessite de concevoir et de développer des approches innovantes aptes à traiter conjointement les aspects spatiaux et les aspects temporels, ce qui n’est que peu le cas avec les méthodes actuelles. Si les graphes, outils puissants à la fois théoriquement et méthodologiquement, sont utilisés pour modéliser des phénomènes temporels ou spatiaux, les méthodes actuelles de fouille, d’analyse et d’extraction de connaissances n’exploitent, en général, qu’une seule dimension de l’information, spatiale versus temporelle. Cela implique souvent une perte de précision et possibilité d’interprétation des résultats. C’est pourquoi nous nous proposons d’exploiter un modèle de graphe spécifique intégrant différents types de relations, les graphes spatio-temporels.

Sujet :
Les données spatio-temporelles sont actuellement encore difficiles à visualiser, or les experts des différents domaines ont absolument besoin de cette visualisation. Dans ce stage, nous proposons d’explorer les méthodes qui permettent de visualiser un graphe spatio-temporel (structure de donnée dans laquelle sont skockées les données spatio-temporelles recueillies). Pour les grands graphes, il est intéressant de les plonger dans un espace de plus faible dimension dans lequel les informations structurelles et les propriétés des graphes sont conservées au mieux. Pour ce faire, il existe des techniques efficaces, qui sont notamment basées sur l’apprentissage profond ou Deep learning, que nous proposons d’étudier et d’adapter afin de les appliquer aux graphes spatio-temporels. Dans ce stage, les tâches suivantes seront à réaliser :
-Étude bibliographique afin de déterminer les avantages et inconvénients des différentes méthodes existantes
– Sélection et mise en oeuvre de certaines de ces méthodes sur des jeux de données tests (graphes quelconques) accessibles en ligne, dans un premier temps, puis sur des données spatio-temporelles.
– Choix et adaptation éventuelle d’une méthode permettant de réduire la dimension des graphes spatio-temporels
– Expérimentation de la méthode choisie sur jeux de données réelles agricoles ou médicales, évaluation avec des experts du domaine.

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 2 informatique ou équivalent

Adresse d’emploi :
300 bd Sébastien Brand à Illkirch

Document attaché : 202010150922_stages2021_graph_embedding.pdf