Défs :
Réseau complexe :
Il s’agit d’un réseau qui possède une architecture et une topologie
complexe et irrégulière. Comme tous les réseaux, ils sont composés de
nœuds (ou sommets ou points) représentant des objets, interconnectés par
des liens (ou arêtes ou lignes). Ces réseaux sont des représentations
abstraites des relations principalement présentes dans la vie réelle dans
une grande diversité de systèmes biologiques et technologiques
L’étude des réseaux complexes a fait l’objet d’une grande attention de la
part de la communauté scientifique depuis le début des années 20001, et
s’est montrée utile dans de nombreux domaines tels que la physique, la
biologie, les télécommunications, l’informatique, la sociologie,
l’épidémiologie entre autres.
Types des réseaux complexes :
Les réseaux complexes sont omniprésents autour de nous et ont de
nombreuses applications dans la vie courante. Pour n’en nommer que
quelques-uns, nous pouvons citer le World Wide Web, Internet, les réseaux
trophiques (ou chaîne alimentaire) ou encore les réseaux métaboliques.
Ils peuvent être classifiés en quatre groupes principaux :
Les réseaux sociaux: Un graphe de réseau social représente les
interactions spécifiques entre différents groupes de personnes. Ces
interactions peuvent être très variées, comme des liens d’amitié ou de
parenté, des activités professionnelles ou personnelles communes, ou
encore partager les mêmes opinions. Les réseaux sociaux en ligne en sont
un bon exemple, où Facebook peut être vu comme un graphe non orienté,
puisque les “amitiés” sont bidirectionnelles, et Twitter quant à lui est un
graphe orienté, puisque les “abonnements” sont à sens unique.
Les réseaux d’information: Les réseaux d’information sont une autre
catégorie de réseaux. Un exemple typique de ce type de réseau est le
World Wide Web, où les nœuds correspondent aux pages web contenant de
l’information, et les liens sont les hyperliens permettant de naviguer d’une
page à l’autre. Ce réseau de plusieurs milliards de nœuds est un graphe
dirigé, mais qui ne contient malgré tout pas de boucles fermées, puisqu’il
n’y a pas de contraintes dans le classement des sites internet. Les réseaux
de citations des articles académiques sont également un bon exemple de
réseau d’information. Ces réseaux sont acycliques, puisque des articles ne
peuvent citer que des travaux déjà publiés.
Les réseaux technologiques: Nous pouvons également identifier les
réseaux technologiques. Ce sont généralement des réseaux créés par
l’Homme, comme les réseaux électriques, les réseaux de
télécommunications, les réseaux aériens, les réseaux routiers.
Les réseaux biologiques: Les réseaux biologiques sont une autre
catégorie de réseaux complexes. Ils représentent les interactions entre
différentes entités biologiques. Par exemple, un réseau de protéines peut
représenter les interactions entre différentes protéines dans une cellule.
Théorie des Graphe :
La théorie des graphes, discipline fondamentale des mathématiques
discrètes, revêt une importance capitale dans le contexte de la détection
des communautés au moyen d'algorithmes d'apprentissage non supervisé.
À la base de cette approche se trouve la représentation formelle des
relations complexes entre les membres d'un réseau sous la forme d'un
graphe, où les nœuds symbolisent les entités et les arêtes dépeignent les
liens les connectant. Que le graphe soit orienté ou non, pondéré ou non,
cette modélisation permet d'appréhender la diversité des interactions au
sein de la communauté étudiée. Les concepts et les algorithmes issus de la
théorie des graphes, tels que la recherche en profondeur et en largeur,
forment le socle méthodologique sur lequel repose l'exploration et la
caractérisation des structures communautaires. L'intégration d'approches
d'embedding de nœuds, telles que node2vec, confère une dimension
vectorielle aux représentations graphiques, offrant ainsi la possibilité
d'appliquer des techniques d'apprentissage non supervisé, à l'instar des
mélanges gaussiens. Dans ce contexte, la théorie des graphes émerge
comme un outil conceptuel puissant et systématique, permettant
d'analyser rigoureusement et de manière approfondie les dynamiques
complexes au sein des réseaux, à des fins de détection et de
regroupement des communautés.
Communauté :
une communauté est généralement définie comme un groupe de nœuds
(ou sommets) qui sont plus densément connectés entre eux qu’avec le
reste du réseau.
une communauté peut être définie comme un ensemble de nœuds
interconnectés au sein du réseau, caractérisé par une densité
d'interactions interne significativement plus élevée que les interactions
avec le reste du réseau. En d'autres termes, une communauté représente
une sous-structure fortement connectée où les entités partagent des
similitudes ou des affinités particulières. L'objectif de la détection des
communautés est d'identifier ces regroupements naturels, souvent
représentatifs de sous-groupes fonctionnels, thématiques ou sociaux au
sein du réseau. Les communautés peuvent se manifester de différentes
manières, qu'il s'agisse de groupes d'amis dans un réseau social, de
clusters de protéines dans un réseau biologique, ou encore de forums de
discussion dans un réseau en ligne. La détection précise des communautés
dans un réseau complexe permet de révéler la structure sous-jacente du
réseau et facilite la compréhension des dynamiques et des interactions
entre les entités qui le composent.
Détection des Communautés :
La détection des communautés est un processus analytique visant à
identifier et à regrouper des ensembles de nœuds fortement
interconnectés au sein d'un réseau.
L'objectif principal de la détection des communautés est de révéler la
structure sous-jacente du réseau en identifiant des sous-groupes naturels,
souvent représentatifs de relations ou d'affinités spécifiques entre les
entités du réseau.
Cette tâche peut être abordée à l'aide de diverses méthodes et
algorithmes, parmi lesquels on compte les approches basées sur la
modélisation mathématique, les algorithmes d'apprentissage non
supervisé, les techniques d'optimisation, et les méthodes de clustering.
Ces méthodes tentent de maximiser l'intérieur des connexions au sein des
communautés tout en minimisant les connexions entre les communautés,
cherchant ainsi à révéler des structures significatives et des patterns dans
le réseau.
Les mesures de centralités :
Noeud influent :
Apprentissage non supervisé :
Clustring :
K-means :
GMM :
DBSCAN :
Méthodes Classiques de détections des communautés :
Louvain :
Label Propagation :
Infomap :
