Nicolas KerivenInstitut de recherche en informatique et systèmes aléatoires (IRISA)

Parcours et recherche :

Les recherches de Nicolas Keriven portent sur la théorie de l’apprentissage statistique sur graphes, et sur les réseaux de neurones profonds sur graphes. Après des études à l’Ecole polytechnique et un Master à l’ENS Cachan, il réalise sa thèse (2014-2017) à l’Université de Rennes sous la supervision de Rémi Gribonval, alors chercheur Inria à l’IRISA, où il travaille sur la compression des données en apprentissage. Il réalise ensuite un post-doctorat à l’ENS Paris, où il travaille avec Gabriel Peyré, chercheur du CNRS au Département de mathématiques et applications de l'ENS1 , sur l’universalité des réseaux de neurones sur graphes. Il rejoint le CNRS en tant que chargé de recherche en 2019, au sein de l’équipe GAIA du Gipsa-lab2 , à Grenoble. Il rejoint ensuite à l’IRISA à Rennes en 2023 où son projet s'inscrira dans l'équipe COMPACT. Il a obtenu un ANR JCJC en 2021 pour ses travaux en apprentissage sur graphes, et est lauréat en 2022 du prix « Early Career » de l’Activity Group in Imaging Sciences de la SIAM.

Projet : MALAGA - Reinventing the Theory of Machine Learning on Large Graphs / Réinventer la Théorie de l’Apprentissage Statistique sur Grand Graphes

En sciences des données, les graphes apparaissent dans de nombreux domaines d’applications, pour modéliser tous types d’interactions entre objets ou entités. Ils peuvent ainsi représenter aussi bien des molécules que des réseaux sociaux, physiques ou informatiques. L’apprentissage statistique sur graphes est une discipline relativement récente cherchant à appliquer les progrès spectaculaires de ces dernières années en apprentissage, et notamment en apprentissage profond, sur les graphes. Néanmoins, de nombreuses zones d’ombre persistent, notamment du point de vue théorique : certaines hypothèses fondamentales de l’apprentissage classique, telle que l’indépendance des échantillons, ne sont plus valides sur ce type de données. Le projet MALAGA consiste ainsi à contribuer à cette théorie fondamentale de l’apprentissage sur les graphes, afin de mieux comprendre les réseaux de neurones profonds sur graphes, aujourd’hui dominants dans les applications. Pour cela, le projet développera de nouveaux modèles et hypothèses statistiques adaptés aux graphes modernes, les modèles actuels étant bien souvent trop simplistes. Ces hypothèses seront exploitées pour établir de nouveaux résultats fondamentaux en apprentissage statistique sur graphes. Cela permettra de mieux comprendre les limites de l’apprentissage profond sur graphes et les stratégies pour y remédier.

• 1Unité CNRS/ENS-PSL
• 2Grenoble images parole signal automatique, Unité CNRS/Université Grenoble Alpes