Soutenance de thèse de Jason Piquenot, Jeudi 28 août 2025 à 14h - Université de Rouen
Date :
Jason Piquenot soutiendra sa thèse Jeudi 28 Août 2025 à 14H, Amphi D de l'UFR ST de l'université de Rouen.
Résumé de ses travaux :
Les graphes, omniprésents en chimie, biologie computationnelle, réseaux sociaux ou analyse de programmes, nécessitent des modèles capables de traiter leur structure complexe. Les Graph Neural Networks (GNNs) classiques, bornés par le test de Weisfeiler–Lehman (1-WL), échouent à distinguer certaines paires de graphes.
Pour lever ces limites, cette thèse introduit un cadre grammatical fondé sur les grammaires algébrique (CFG) et MATLANG, permettant de transcrire rigoureusement des fragments de langages formels en architectures neuronales.
Les cinq contributions majeures sont :
Formalisation grammaticale des GNNs en trois étapes : construction, réduction et traduction des CFGs en couches neuronales.
G²N², un modèle équivalent au test 3-WL garantissant un pouvoir expressif supérieur sans s’appuyer sur l’approximation universelle des MLP, tout en réduisant les coûts de calcul.
Grammatical Path Network (GPN), pour le comptage dynamique de sous-structures (cycles) sans prétraitement lourd.
Grammar Reinforcement Learning (GRL), combinaison de MCTS et Transformer (Gramformer) pour découvrir automatiquement des formules dans une CFG. L'application de GRL au comptage de cycles et de chemins dans un graphe a permis la découverte de nouvelles formules plus efficientes que l'état de l'art, jusqu'à 6 fois plus rapides.
Analyse grammaticale d’architectures existantes (GCN, MPNN, PPGN, IGN…) pour en clarifier l’expressivité et proposer des optimisations ciblées.
Enfin, la thèse ouvre des perspectives d’élagage grammatical, d’architecture automatique et de rapprochement neuro-symbolique, jetant les bases d’une nouvelle génération de modèles GNN plus puissants, explicables et modulaires.