Résumé : Les réseaux sont largement utilisés dans de nombreux domaines
scientifiques afin de représenter les interactions entre objets
d’intérêt. Ainsi, en biologie, les réseaux de régulation s’appliquent
à décrire les mécanismes de régulation des gènes, à partir de facteurs
de transcription,
tandis que les réseaux métaboliques permettent de représenter des
voies de réactions biochimiques. En sciences sociales, ils sont
couramment utilisés pour représenter les interactions entre individus.
Dans ce contexte, de nombreuses méthodes non-supervisées de clustering
ont été développées afin d’extraire des informations, à partir de la
topologie des réseaux. La plupart d’entre elles partitionne les noeuds
dans des classes disjointes, en fonction de leurs profils
de connection. Récemment, des études ont mis en évidence les limites
de ces techniques. En effet, elles ont montré qu’un grand nombre de
réseaux "réels" contenaient des noeuds connus pour appartenir à
plusieurs groupes simultanément. Pour répondre à ce problème, nous
proposons l’Overlapping Stochastic Block Model (OSBM). Cette approche
autorise les noeuds à appartenir à plus d’une classe et généralise le
très connu Stochastic Block Model, sous certaines hypothèses. Nous
montrons que le modèle est identifiable dans des classes d’équivalence
et nous proposons un algorithme d’inférence basé sur des techniques
variationnelles globales et locales. Finalement, en utilisant des
données simulées et réelles, nous comparons nos travaux avec d’autres
approches.

Cet exposé se tiendra en salle C20-13, 20ème étage, Université Paris 1, Centre Pierre Mendès-France, 90 rue de Tolbiac, 75013 Paris (métro : Olympiades).