École Nationale Supérieure de
Techniques Avancées

Résumé

L’apprentissage profond a révolutionné de nombreuses tâches au cours des dernières années, allant du traitement vidéo à la traduction automatique en passant par la reconnaissance audio. Les données de ces problèmes sont généralement présentées dans l’espace Euclidien. Ce travail décrit des modèles alternatifs d’apprentissage profond adaptés à des données générées à partir de domaines non-Euclidiens. Ces dernières sont représentées sous forme de graphes dérivés de la topographie où les parties les plus profondes de la sulci cortical sont des noeuds d’un graphe. Dans ce projet, nous avons implémenté GraphSage, DCNN, GAT pour résoudre le problème de la classification binaire des noeuds. Dans un certain nombre d’expériences sur des ensembles de données réelles, nous démontrons que les méthodes sélectionnées surpassent le modèle trivial proposé. Tous les modèles ont été implémentés en Python.