Etudiant : EL HAJJAJI KHADIJA

Filière : Master Systèmes Intelligents et Décisionnels (MSID)

Encadrant : Pr. BOUMHIDI JAOUAD

Annèe : 2021

Résumé : Cet travail porte sur l’analyse desarticles dans le domaine scientifique et en particulier sur l’apprentissage transductif.Une des difficultés majeures lors de l’exploration de telles articles est de posséder un jeu de données suffisanten nombre d’exemples pour l’entraînement des modèles. Dans ce contexte, on s’est appuié sur CORA comme un ensemble de donnée et sur GAT : Graph Attention Network comme algorithme d’apprentissage profond, qui est une nouvelle architecture de réseau de neurones qui fonctionne sur des données structurées en graphes, en exploitant des couches auto-attentionnelles masquées pour remédier aux lacunes des méthodes antérieures basées sur les convolutions de graphes ou leurs approximations. De cette façon, GAT aborde simultanément plusieurs défis clés des réseaux de neurones graphiques basés sur le spectre et rend le modèle facilement applicable aux problèmes inductifs et transductifs.   Abstract This work focuses on the analysis of articles in the scientific field and in particular on transductive learning. One of the major difficulties when exploring such articles is having a sufficient number of sample datasets for training the models. In this context, we relied on CORA as a set of data and on GAT: Graph Attention Network as a deep learning algorithm, which is a new neural network architecture that works on data structured in graphs, by exploiting hidden self-attentional layers to remedy the shortcomings of previous methods based on graph convolutions or their approximations. In this way, GAT simultaneously addresses several key challenges of spectrum-based graphical neural networks and makes the model easily applicable to inductive and transductive problems.