Unsupervised Learning on High-order Relational Data
Graphs are often used to model relational data but are limited to binary relations. Data involving higher order interactions are better represented with more complex structures such as hyper-graphs. In this talk, we present some advances in the development of tools and techniques to analyze data represented as hyper-graphs. We discuss the generalization of the well-known graph modularity function for hyper-graphs, and its use for unsupervised learning. Time permitting, we will also discuss other challenges inspired by the notion of simplicial complexes in topological data analysis.
Apprentissage non supervisé sur des données relationnelles d’ordre élevé
Les graphes sont souvent utilisés pour modéliser des données relationnelles, mais sont limités aux relations binaires. Les données impliquant des interactions d’ordre supérieur sont mieux représentées avec des structures plus complexes telles que les hyper-graphes. Dans cet exposé, nous présentons quelques avancées dans le développement d’outils et de techniques pour analyser des données représentées sous forme d’hyper-graphes. Nous discutons de la généralisation de la fonction bien connue de modularité des graphes pour les hyper-graphes, et de son utilisation pour l’apprentissage non supervisé. Si le temps le permet, nous aborderons également d’autres défis inspirés par la notion de complexes simpliciaux dans l’analyse de données topologiques.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais