Mission :
Plusieurs concepts de géométrie Riemannienne ont récemment trouvé des applications en apprentissage, et notamment en apprentissage profond sur graphes, tels que la courbure d'Ollivier-Ricci. Par exemple, la notion locale de delta-hyperbolicité, qui mesure la similarité locale entre un graphe et un arbre, a été exploitée pour traiter le problème d'over-squashing. Une limite fondamentale de cette notion est sa nature combinatoire, qui rend difficile son intégration dans les algorithmes d'apprentissage. Récemment, une approximation différentiable de cette notion a été proposée [1], et étudiée de manière essentiellement théorique.
La mission du candidat est de développer le code associé à cette nouvelle approximation, de l'intégrer et de la tester dans des algorithmes profonds d'apprentissage sur graphes.
[1] Pierre Houedry, Nicolas Courty, Florestan Martin-Baillon, Laetitia Chapel, and Titouan Vayer. Bridging arbitrary and tree metrics via differentiable gromov hyperbolicity. In The Thirty-ninth Annual Conference on Neural Information Processing Systems, 2025
Activités :
Intégrer la notion d'hyperbolicité locale dans les benchmark classiques des réseaux de neurones profond sur graphes, optimiser l'efficacité et la scalabilité des algorithmes d'entraînement.
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.