Search engine for discovering works of Art, research articles, and books related to Art and Culture
ShareThis
Javascript must be enabled to continue!

Prédiction d'interactions dans les flots de liens. Combiner les caractéristiques structurelles et temporelles

View through CrossRef
Le formalisme des flots de liens représente une approche permettant de conserver la dynamique du système tout en fournissant un cadre d'étude solide pour appréhender le comportement du système. Un flot de liens est une série de triplets (t,u,v) indiquant qu'une interaction a eu lieu entre u et v au temps t. La forte importance de la dynamique du système dans la prédiction dans les flots de liens la place au carrefour de la prédiction de liens dans les graphes et de la prédiction de séries temporelles. Nous allons explorer différentes formalisations du problème de la prédiction dans les flots de liens. Dans la suite nous nous intéresserons à la prédiction de l'activité, c'est-à-dire prédire le nombre d'interactions apparaissant dans le futur pour chaque paire de nœuds durant une certaine période. Nous introduisons le protocole développé, permettant de combiner de manière cohérente les caractéristiques des données afin d'effectuer la prédiction de l'activité. Nous étudions le comportement de notre protocole sur diverses expériences sur quatre jeux de données et évaluons la qualité de chaque prédiction. Nous étudierons comment l'utilisation de classes de nœuds permet de préserver la diversité des types de liens prédits tout en améliorant la prédiction. Notre objectif est de définir un cadre de prédiction général permettant des études approfondies de la relation entre caractéristiques structurelles et temporelles dans les tâches de prédiction.
Agence Bibliographique de l'Enseignement Supérieur
Title: Prédiction d'interactions dans les flots de liens. Combiner les caractéristiques structurelles et temporelles
Description:
Le formalisme des flots de liens représente une approche permettant de conserver la dynamique du système tout en fournissant un cadre d'étude solide pour appréhender le comportement du système.
Un flot de liens est une série de triplets (t,u,v) indiquant qu'une interaction a eu lieu entre u et v au temps t.
La forte importance de la dynamique du système dans la prédiction dans les flots de liens la place au carrefour de la prédiction de liens dans les graphes et de la prédiction de séries temporelles.
Nous allons explorer différentes formalisations du problème de la prédiction dans les flots de liens.
Dans la suite nous nous intéresserons à la prédiction de l'activité, c'est-à-dire prédire le nombre d'interactions apparaissant dans le futur pour chaque paire de nœuds durant une certaine période.
Nous introduisons le protocole développé, permettant de combiner de manière cohérente les caractéristiques des données afin d'effectuer la prédiction de l'activité.
Nous étudions le comportement de notre protocole sur diverses expériences sur quatre jeux de données et évaluons la qualité de chaque prédiction.
Nous étudierons comment l'utilisation de classes de nœuds permet de préserver la diversité des types de liens prédits tout en améliorant la prédiction.
Notre objectif est de définir un cadre de prédiction général permettant des études approfondies de la relation entre caractéristiques structurelles et temporelles dans les tâches de prédiction.

Related Results

Cliques statiques et temporelles : algorithmes d'énumération et de détection de communautés
Cliques statiques et temporelles : algorithmes d'énumération et de détection de communautés
Les graphes sont des objets mathématiques qui permettent de modéliser des interactions ou connexions entre entités de types variés. Un graphe peut représenter par exemple un réseau...
Deep representation learning for time series averaging
Deep representation learning for time series averaging
Apprentissage en profondeur des représentations pour la moyenne des séries chronologiques L'estimation d'une moyenne optimale de séries temporelles est étudiée depu...
Dehn surgeries and smooth structures on 3-dimensional transitive Anosov flows.
Dehn surgeries and smooth structures on 3-dimensional transitive Anosov flows.
Chirurgies de Dehn et structures différentielles associées aux flots d'Anosov transitifs en dimension trois. Cette thèse porte sur les chirurgies de Dehn et les str...
Towards Robust Deep Learning Methods for Time Series Data and their Applications
Towards Robust Deep Learning Methods for Time Series Data and their Applications
Vers des Méthodes Robustes d'Apprentissage Profond pour les Données de Séries Temporelles et leurs Applications Les données de séries temporelles sont abondantes da...
Unsupervised STDP-based Feature Learning for Video Analysis with Spiking Neural Networks
Unsupervised STDP-based Feature Learning for Video Analysis with Spiking Neural Networks
Apprentissage non supervisé basé sur le STDP pour l’analyse vidéo avec des réseaux neuronaux impulsionnels La reconnaissance des actions humaines (HAR) est une tâch...
Anosov flows and Birkhoff sections
Anosov flows and Birkhoff sections
Flots d'Anosov et sections de Birkhoff Nous étudions les flots d’Anosov en dimension 3. Ces flots ont des dynamiques chaotiques intéressantes, plus précisément ils ...
Flots géométriques d'ordre quatre et pincement intégral de la courbure
Flots géométriques d'ordre quatre et pincement intégral de la courbure
On étudie des flots géométriques d'ordre quatre sur des variétés riemanniennes compactes, qui apparaissent naturellement comme flots de gradient de fonctionnelles quadratiques en l...
Deep learning for time series classification
Deep learning for time series classification
Apprentissage profond pour la classification des séries temporelles La science des données s’intéresse aux théories et aux algorithmes permettant d’extraire des con...

Back to Top