Skip to content

M2 IA Deep Learning - GNN

Projet GNN

Téléchargez le graphe des aéroports augmenté avec les populations des villes. Vérifiez que vous êtes capables de charger dans un objet pytorch (voir le TP précédent pour les lignes à écrire pour que ça fonctionne).

Vérifier que vous êtes capable d'entraîner sur ce réseau l'un des GCN simples que vous avez écrits lors du premier TP.

Consignes du projet

Le projet se fait par groupes de 2 à 3 étudiants.

La note est composée en 2 parties :

  • Pour 5% de l'UE : Le rapport sera sur 10 points, le code sera sur 10 points dont 2 points de questions de compréhension individuelles que nous poserons à la dernière session de projet le 01/10/2026.
  • Pour 25% de l'UE : Une interrogation écrite portant sur votre projet et votre code.

L'objectif du projet est d'écrire un rapport court de maximum 4 pages (hors références), qui décrit la recherche d'une méthode adaptée basée sur les GNN pour répondre à une question de votre choix sur un jeu de données. La première étape consiste à choisir votre question de recherche. Le template Latex est donné et ne doit pas être modifié.

Questions possibles

  • Prédiction de liens : En cachant certains liens, peut-on parvenir à les redécouvrir? Ce problème peut être évalué classiquement en utilisant l'AUC, Average Precision, Hits@k et MRR.
  • Classification : Vous pouvez avoir comme objectif de prédire l'une des propriétés des nœuds, typiquement le pays ou la population. Ces problèmes peuvent être évalués classiquement en utilisant la précision (classification), la RMSE (régression), etc.
  • Détection d'anomalies sur les nœuds/liens : Certaines des informations de pays, et beaucoup d'informations de population sont erronées. La détection d'anomalies se fait en comparant les prédictions du modèle avec les données observées : pouvez-vous découvrir les anomalies ? La validation se fait par observation manuelle, ou en définissant vos propres métriques (ex. : pour les 10 villes avec la plus grande différence entre prédiction et observations pour la population, RMSE avec la vraie valeur calculée avec une source externe). La même question se pose pour les liens, certains étant aussi erronés.
  • Autre question : si vous pensez à une autre question pertinente, vous pouvez également vous y intéresser.

Attendus

Le rapport doit contenir au moins les éléments suivants, classiques pour tout article scientifique de machine learning (et qui devrait l'être dans tous les cas) :

  • Un lien vers votre repo GitLab ou GitHub
  • Un court état de l'art (maximum 1/2 page) : présentant brièvement les baselines de comparaison. Vous pouvez utiliser les articles présents dans le cours, où en trouvez d'autres sur Google Scholar en vérifiant qu'ils soit suffisamment pertinent (date, conférence/journal, nombre de citation, auteurs...).
  • Un tableau qui résume la comparaison entre plusieurs modèles candidats. Ce tableau contient généralement une ligne par méthode, et quelques colonnes correspondant à des scores ou des scénarios différents (ex. : colonne pour un test en cachant 10% des liens, une autre en cachant 20% des liens. Pour chacune, une sous-colonne pour l'AUC et pour l'AP pour une tâche de prédiction). En général, les valeurs les plus élevées dans chaque colonne sont indiquées en gras, et si possible une valeur de confiance est donnée, si l'expérience est répété plusieurs fois sur plusieurs seed différentes.
  • Une "ablation study" : pour le modèle qui est votre proposition finale, il vous faut montrer que toutes ses composantes sont utiles. Vous devez donc essayer de remplacer chaque élément "customisé" par un élément plus standard, et montrer que chaque élément customisé est utile. Par exemple, si vous avez utilisé 1 layer GCN et un layer VGAE, montrez qu'enlever le GCN fait baisser les performances. Idem si vous avez proposé une loss customisée, une transformation des données, etc. Globalement, montrer que le modèle n'est pas "inutilement complexe".

Le code doit contenir un README.md expliquant la démarche de reproductibilité à suivre. Si vous avez utilisé une IA générative, vous devez préciser dans le fichier README.md le nom du modèle, l'usage qui en a été fait (pourquoi et comment), ainsi que quelques exemples de prompts utilisés.