16-18 Octobre 2013, Laboratoire Hubert Curien, Saint-Etienne

Frédéric AMBLARD, IRIT Toulouse.

Contributions de la simulation multi-agents à l'étude des réseaux sociaux

La simulation multi-agent de phénomènes sociaux consiste à modéliser puis simuler les comportements sociaux d'entités en interaction. Largement utilisée dans de nombreux domaines (géographie, économie, sociologie …) elle permet d'investiguer la production de phénomènes collectifs émergents en proposant des hypothèses de comportements individuelles. Parmi les phénomènes sociaux investis, un certain nombre d'entre eux induisent une organisation globale des interactions sous la forme de réseaux sociaux, les modélisateurs s'intéressent alors aux dynamiques qui prennent place sur ces réseaux (diffusion d'information, diffusion d'innovation, dynamique d'opinions etc…) la plupart du temps considérés comme statiques. L'enjeu de ces recherches concerne en particulier le rôle que prend la forme du réseau sur l'émergence du phénomène collectif auquel on s'intéresse. Aussi complexe que soit ce type d'approche, un autre niveau de complexité est franchi lorsque l'on s'intéresse à ces mêmes phénomènes sur des réseaux dynamiques dont la dynamique est indépendante du phénomène considéré et un niveau supplémentaire lorsque la dynamique du réseau dépend de la dynamique sociale (prenons le cas par exemple de dynamiques d'opinions qui peuvent modeler le réseau social sous-jacent). Pour pleinement prendre en compte le potentiel et les limites de ce type d'approche pour l'étude des réseaux sociaux et de leur dynamique, nous présenterons tout d'abord rapidement l'approche de simulation multi-agents, avant de monter progressivement en complexité suivant le chemin esquissé juste avant, en illustrant les différentes étapes par des exemples correspondants.

Patrick Gallinari, LIP6, UPMC

Apprentissage de représentations et inférence sur les graphes de contenus.

 

L’apprentissage de représentations pour des données complexes et relationnelles a émergé comme un point de rencontre entre différentes thématiques de recherche en apprentissage. La motivation de ces travaux est souvent issue des applications et de la nature même des données qui sont souvent complexes (multimodales, hétérogènes, dynamiques), et multi-relationnelles (e.g. biologie, réseaux sociaux). L’arsenal classique de l’apprentissage statistique est peu adapté au traitement de ces données. Une solution possible est alors de plonger ces différentes données dans un ou plusieurs espaces latents de façon à obtenir des représentations sur lesquelles il sera possible d’utiliser les principes ou outils de l’apprentissage. Apprendre de telles représentations permet par exemple de définir de mesures de similarité, ou des métriques entre objets de différentes natures. Ces dernières années, plusieurs voies de recherche ont développé ces idées, quelquefois indépendamment, qui se retrouvent aujourd’hui dans cette communauté « apprentissage de représentations ».  Les outils font appel à la modélisation statistique, à l’algèbre linéaire avec la factorisation matricielle ou tensorielle, ou plus récemment aux réseaux de neurones. L’exposé fera une brève présentation de certaines de ces méthodes en dégageant points communs et différences et montrera des applications dans le domaine des réseaux sociaux comme la prédiction de liens ou de notes, l’étiquetage de nœuds, la diffusion d’informations.

Pablo Jensen, Laboratoire  de Physique de l'ENS de Lyon & Institut rhônalpin des systèmes complexes (ixxi.fr).

Qu'apprenons-nous des sciences grâce  aux analyses des réseaux scientométriques?

TBA