logo EDITE Mael CANU
Identité
Mael CANU
État académique
Soutenance prévue le 2017-12-15
Sujet: Détection de communautés orientée sommet pour des réseaux mobiles opportunistes sociaux
Direction de thèse:
Encadrement de thèse:
Laboratoire:
Voisinage
Ellipse bleue: doctorant, ellipse jaune: docteur, rectangle vert: permanent, rectangle jaune: HDR. Trait vert: encadrant de thèse, trait bleu: directeur de thèse, pointillé: jury d'évaluation à mi-parcours ou jury de thèse.
Productions scientifiques
oai:hal.archives-ouvertes.fr:hal-01438423
Overlapping Community Detection by Local Decentralised Vertex-centred Process
International audience
This paper focuses on the identification of overlapping communities, allowing nodes to simultaneously belong to several communities, in a decentralised way. To that aim it proposes LOCNeSs, an algorithm specially designed to run in a decentralised environment and to limit propagation, two essential characteristics to be applied in mobile networks. It is based on the exploitation of the preferential attachment mechanism in networks. Experimental results show that LOCNeSs is stable and achieves good overlapping vertex identification.
Proceedings of the 2016 16th IEEE International Conference on Data Mining Workshops (ICDMW'16) 2016 IEEE 16th International Conference on Data Mining Workshops (ICDMW'16) http://hal.upmc.fr/hal-01438423 2016 IEEE 16th International Conference on Data Mining Workshops (ICDMW'16), Dec 2016, Barcelone, Spain. IEEE, Proceedings of the 2016 16th IEEE International Conference on Data Mining Workshops (ICDMW'16), pp.77-84, 〈http://icdm2016.eurecat.org/〉. 〈10.1109/ICDMW.2016.0019〉 http://icdm2016.eurecat.org/ARRAY(0x7f54708d6668) 2016-12-12
oai:hal.archives-ouvertes.fr:hal-01402989
Vertex-centred Method to Detect Communities in Evolving Networks
International audience
Finding communities in evolving networks is a difficult task and raises issues different from the classic static detection case. We introduce an approach based on the recent vertex-centred paradigm. The proposed algorithm, named DynLOCNeSs, detects communities by scanning and evaluating each vertex neighbourhood, which can be done independently in a parallel way. It is done by means of a preference measure, using these preferences to handle community changes. We also introduce a new vertex neighbourhood preference measure, CWCN, more efficient than current existing ones in the considered context. Experimental results show the relevance of this measure and the ability of the proposed approach to detect classical community evolution patterns such as grow-shrink and merge-split.
Trouver des communautés dans des réseaux évoluant avec le temps est une tâche difficile et soulève des questions différentes du cas statique. We proposons une approche basée sur le paradigme orienté-sommet. L'algorithme dont cet article fait l'objet, nommé DynLOCNeSs, détecte les communautés en explorant le voisinage de chaque sommet indépendamment, tâche qui peut être parallélisée. Cette exploration est réalisée à l'aide d'une mesure de préférence, également utilisée cette mesure pour gérer les changements de communautés. Nous introduisons également une nouvelle mesure de préférences entre sommets nommée CWCN, plus efficace que les mesures existantes dans le contexte considéré. Les résultats expérimentaux montrent la pertinence de cette mesure et de l'approche, ainsi que leur capacité à détecter les motifs classiques d'évolutions de communautés grow-shrink (augmentation-rétrécissement) et merge-split (fusion-séparation).
Proceedings of the 5th International Workshop on Complex Networks and their Applications (COMPLEX NETWORKS 2016) Fifth International Workshop on Complex Networks and their Applications (COMPLEX NETWORKS 2016) http://hal.upmc.fr/hal-01402989 Fifth International Workshop on Complex Networks and their Applications (COMPLEX NETWORKS 2016), Nov 2016, Milan, Italy. Springer International Publishing, Proceedings of the 5th International Workshop on Complex Networks and their Applications (COMPLEX NETWORKS 2016), 683, pp.275-286, 2016, Studies in Computational IntelligenceARRAY(0x7f54708cdc18) 2016-11-29
oai:hal.archives-ouvertes.fr:hal-01392778
Détection de communautés recouvrantes orientée sommet
National audience
Les sommets multi-appartenants constituent une caractéristique importante à prendre en compte lors de la conception d'une méthode de détection de communautés. Nous proposons dans cet article LOCNeSs, un algorithme de détection utilisant une approche orientée som-met. LOCNeSs permet une implémentation complètement décentralisée et limite la propagation, deux caractéristiques utiles pour une utilisation dans un environnement décentralisée ou très distribué. L'algorithme modélise des préférences entre sommets, basées sur l'attachement pré-férentiel, afin d'aggréger ces sommets pour former des communautés. Une étude expérimentale permet de montrer que LOCNeSs identifie les sommets multi-appartenants de façon exhaustive et pertinente. ABSTRACT. Overlapping vertices are an important characteristic to consider when designing a community detection method. In this article, we propose LOCNeSs, a detection algorithm using a vertex-oriented approach. It allows a decentralised implementation limiting information propagation in the graph, which is suitable to be used in a heavily decentralised or distributed environment. The algorithm models preference between vertices using a measure based on preferential attachment, and then aggregates these vertices to from communities. An experimental study shows that LOCNeSs accurately identifies relevant overlapping vertices.
Actes de la 7ème Conférence sur les modèles et l’analyse des réseaux : Approches mathématiques et informatiques Septième Conférence sur les Modèles et l’Analyse des Réseaux : Approches Mathématiques et Informatiques (MARAMI'16) http://hal.upmc.fr/hal-01392778 Septième Conférence sur les Modèles et l’Analyse des Réseaux : Approches Mathématiques et Informatiques (MARAMI'16), Oct 2016, Cergy, France. Actes de la 7ème Conférence sur les modèles et l’analyse des réseaux : Approches mathématiques et informatiques, 2016, 〈http://lipn.univ-paris13.fr/~kanawati/marami2016/MARAMI16/〉 http://lipn.univ-paris13.fr/~kanawati/marami2016/MARAMI16/ARRAY(0x7f5470719700) 2016-10-12
oai:hal.archives-ouvertes.fr:hal-01194324
Fast community structure local uncovering by independent vertex-centred process
International audience
This paper addresses the task of community detection and proposes a local approach based on a distributed list building, where each vertex broadcasts basic information that only depends on its degree and that of its neighbours. A decentralised external process then unveils the community structure. The relevance of the proposed method is experimentally shown on both artificial and real data.
Proceedings of the 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining https://hal.archives-ouvertes.fr/hal-01194324 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining, Aug 2015, Paris, France. ACM, Proceedings of the 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining, pp.823-830, <10.1145/2808797.2808866>ARRAY(0x7f54708e51b0) 2015-08-25
Soutenance
Thèse: Détection de communautés orientée sommet pour des réseaux mobiles opportunistes sociaux
Soutenance:
Rapporteurs: Nicolas LABROCHE    Jean-Loup GUILLAUME