Cet évènement est organisé en collaboration avec l'IRT SystemX.

Thématique : « Deep latent variable models for unsupervised learning from interaction data »

Dans cet exposé, nous nous concentrerons sur le problème de l'apprentissage statistique avec des données d'interaction. Ce travail est motivé par deux applications réelles : la modélisation et le regroupement de réseaux sociaux, d'une part, et de données de pharmacovigilance, d'autre part. À cette fin, nous avons développé deux approches basées sur des modèles. Tout d'abord, nous proposons le modèle de position latente profonde (DeepLPM), une approche de clustering générative de bout en bout qui combine le modèle de position latente (LPM) largement utilisé pour l'analyse des réseaux avec une stratégie d'encodage de réseau convolutionnel de graphes (GCN). Un algorithme d'estimation original est introduit pour intégrer l'optimisation explicite des probabilités de regroupement postérieures via l'inférence variationnelle et l'optimisation implicite utilisant la descente de gradient stochastique pour la reconstruction du graphe. Deuxièmement, pour le problème de la pharmacovigilance, nous introduisons un modèle de blocs latents pour le co-regroupement dynamique des flux de données de comptage avec une grande rareté. Nous supposons que les observations suivent un mélange dépendant du temps et du bloc de distributions de Poisson à gonflement nul, qui combine deux processus indépendants : un mélange dynamique de distributions de Poisson et un processus d'éparpillement dépendant du temps. Pour modéliser et détecter les changements brusques dans la dynamique des membres des grappes et de l'éparpillement des données, les proportions de mélange et d'éparpillement sont modélisées par des systèmes d'équations différentielles ordinaires. L'inférence du modèle repose sur une procédure variationnelle originale dont l'étape de maximisation entraîne des réseaux neuronaux récurrents afin de résoudre les systèmes dynamiques. Des expériences numériques sur des ensembles de données simulées démontrent l'efficacité des méthodologies proposées pour les deux problèmes.