Graph Machine Learning et intelligence artificielle : les recherches d’Aref Einizade sur les graphes complexes

Aref Einizade est expert en intelligence artificielle, plus précisément en traitement du signal et en Machine Learning. C’est au cours de ses études au sein de la Sharif University of Technology de Téhéran que le jeune chercheur se dirige dans cette voie. Lors de son doctorat, il se concentre notamment sur le traitement de données médicales et biomédicales. « Je me suis intéressé aux signaux cérébraux et à la façon de représenter la connectivité entre les différentes régions du cerveau chez des patients atteints de maladie ou soumis à des tests en phase de sommeil. Je me suis appuyé pour cela le Graph Machine Learning et le Graph Signal Processing », explique Aref Einizade.

Gérer des données interconnectées à grande échelle

Cette discipline mathématique et informatique permet en effet de représenter efficacement les données relatives à des objets interagissant en réseau. Chaque objet est alors un nœud et les nœuds sont reliés entre eux par des arrêtes (des liens). « Dans le cadre de mes travaux de doctorat par exemple, les différentes régions du cerveau étaient considérées comme des nœuds et je pouvais ainsi étudier la connectivité entre chacun d’entre eux », explique le chercheur. 

En novembre 2023, Aref Einizade débute un post doctorat au sein du Laboratoire traitement et communication de l’information (LTCI***) de Télécom Paris. Il rejoint l’équipe de Jhony Giraldo, maître de conférences, et se lance dans un travail plus théorique et expérimental sur la topologie des graphes – à savoir l’étude de leur structure globale, la dynamique de la propagation de l’information dans cette structure, le nombre de connexions par nœud, la connectivité entre les différents objets, etc.

Le chercheur se focalise alors sur la compréhension et la modélisation de graphes complexes multidomaines. Un véritable défi puisqu’il s’agit de traiter des ensembles de données interconnectés à grande échelle. Le Topological Deep Learning - qui associe Deep Learning et topologie des graphes – permet alors de considérer les valeurs des données mais aussi leur structure globale. « Il offre alors une flexibilité qui m’a permis de développer des algorithmes capables de gérer des graphes variés et d’atteindre une nouvelle frontière dans l’apprentissage automatisé », s’enthousiasme Aref Einizade. 

Mieux comprendre l’activité cérébrale 

Ces travaux, soutenus par le centre interdisciplinaire Hi ! Paris et le projet ANR DeSNAP, ont également pour objectif d’identifier les différents problèmes mathématiques en jeu et d’apporter des garanties théoriques. Le chercheur explore ainsi plusieurs applications possibles : prévisions météos qui nécessitent d’analyser les données de réseaux de stations d’observation, ou encore réseaux sociaux et leurs diverses communautés. 

Côté applications biomédicales, Aref Einizade a tout naturellement fait le lien avec ses travaux de doctorat. « La puissance des graphes associés au Deep Learning révèle l’évolution de l’activité cérébrale au fil du temps. Il devient possible d’établir une cartographie des liens qui se créent entre les régions du cerveau, et de leur dynamique ». Le chercheur a alors appliqué ses algorithmes à des bases de données issues d’électroencéphalogrammes (EEG) de patients monitorés pendant leur sommeil ou effectuant d’autres tâches, ou encore à d’autres atteints de maladies cognitives. « Les résultats obtenus sont cohérents avec la littérature neuroscientifique. C’est particulièrement encourageant. À mon sens, les graphes ont un fort potentiel pour déceler l’origine de nombreux problèmes et conduire à leur résolution ». 

À propos d'Aref Einizade

Aref Einizade est chercheur au sein de l'équipe Multimédia de Télécom Paris, Institut Polytechnique de Paris. Ses recherches se situent à l'intersection de l'apprentissage automatique des graphes, du traitement des signaux graphiques et des réseaux neuronaux graphiques, avec un accent particulier sur les méthodes théoriques pour les graphes multimodaux et leurs applications dans les données biomédicales (en particulier les signaux cérébraux), la météorologie et les prévisions de trafic. Il a obtenu son doctorat en génie électrique à l'université technologique Sharif en février 2023, où il a développé des algorithmes GSP et GML pour des structures graphiques inconnues, principalement pour des applications biomédicales, telles que la modélisation des connexions entre différentes régions du cerveau à l'aide de l'analyse graphique. Ses travaux récents s'étendent aux structures généralisées, telles que les complexes simpliciaux et les hypergraphes, avec des applications potentielles futures dans les signaux et les images biomédicales. Ses travaux ont été publiés dans le cadre de conférences internationales de premier plan (par exemple, NeurIPS, ECML et IEEE SPMB) et dans des revues de premier plan évaluées par des pairs, notamment Neural Networks (Elsevier), IEEE Transactions on Signal and Information Processing over Networks, IEEE Transactions on Cognitive and Developmental Systems, IEEE Signal Processing Letters, Biomedical Signal Processing and Control, Neuroscience Informatics et Digital Signal Processing.

>> Aref Einizade sur Google Scholar