Gaspard ABEL : soutenance de thèse

Gaspard ABEL

Principes structurels et dynamiques de la propagation de l'information dans les systèmes socio-computationnels.

Résumé

Les plateformes sociales en ligne et les agents autonomes ont transformé la production, la transmission et le traitement de l’information. Dans ces systèmes socio-computationnels, l’information n’évolue pas indépendamment des entités qui la traitent ni des interactions par lesquelles elle est échangée. Au contraire, le comportement des utilisateurs, la structure du réseau, les dynamiques d’apprentissage et le contenu de l’information sont en interaction constante, donnant lieu à des phénomènes collectifs tels que les cascades d’information, les contagions concurrentes, la polarisation politique, l'apprentissage de représentations et la coopération.

A travers les articles qui la composent, cette thèse explore ces phénomènes depuis une perspective commune reposant sur trois piliers interdépendants : l’Information, les Individus et les Interactions. L’objectif n’est pas de proposer un modèle unique de tous les systèmes, mais de projeter cette perspective sur des problèmes variés impliquant les médias sociaux, les processus de diffusion, les réseaux neuronaux et les systèmes multi-agents. Ce travail combine des outils issus des mathématiques appliquées, de la physique statistique, de la science des réseaux, des systèmes dynamiques et de l’apprentissage automatique.

Tout d’abord, cette thèse présente MIC, un processus de Hawkes multidimensionnel marqué qui modélise conjointement plusieurs cascades d’information et l’activité des utilisateurs. En représentant explicitement les dépendances entre les cascades et entre les utilisateurs et les cascades, MIC améliore la modélisation et la prédiction de la diffusion de l’information tout en fournissant des paramètres interprétables pour l’analyse de la structure socio-sémantique des réseaux. Cette interprétabilité est complétée par MultiLayerNetViz, un module Python permettant de visualiser facilement des réseaux multicouches en deux et trois dimensions, qui est appliquée à des données des acteurs politiques et médiatiques dans des réseaux sociaux.

Deuxièmement, la thèse aborde le contrôle des dynamiques collectives sur les graphes. La stratégie gLRIE étend l’allocation dynamique des ressources à des contagions concurrentes évoluant selon un modèle SIS en temps continu. Son analyse théorique et empirique montre comment des interventions tenant compte du réseau peuvent être utilisées pour favoriser la propagation d'un état souhaité. Une perspective de contrôle connexe est appliquée aux réseaux neuronaux sur graphes, où la théorie des bifurcations est utilisée pour caractériser l’oversmoothing comme une convergence vers une représentation homogène stable. Des fonctions d’activation induisant des bifurcations et un schéma d'initialisation adapté sont alors proposées pour générer des représentations de nœuds stables et non homogènes.

Troisièmement, cette thèse étudie comment les représentations structurées et les règles d’apprentissage peuvent façonner les réseaux neuronaux et agents artificiels. L'approche proposée, intitulée DCCL, combine des critères basés sur la loss et sur la densité pour construire des schémas d’apprentissage par curriculum appliqués à la prévision sur séries temporelles. Enfin, une analyse de dilemmes sociaux issus de la théorie des jeux montre comment des taux de mise à jour asynchrones et hétérogènes influencent l’émergence de la coopération d'agents de Q-learning et propose des perspectives de régulation de la tarification algorithmique sur les marchés économiques.

Ces contributions offrent une vision unifiée permettant d’étudier comment la structure des informations, les individus hétérogènes et leurs interactions façonnent la dynamique des systèmes socio-computationnels complexes, et comment cette dynamique peut être modélisée, interprétée et utilisée pour l’apprentissage.

Direction de thèse  

• Julien RANDON-FURLING
• Jean-Pierre NADAL
• Argyris KALOGERATOS

Jury

• Amandine VéBER, Directrice de recherche, Université Paris-Cité, Rapporteur
• Bruno LOUREIRO, Chargé de recherche, ENS Paris, Rapporteur
• Eva LöCHERBACH, Professeure des universités, École Polytechnique, Examinateur
• Fabien TARISSAN, Directeur de recherche, ENS Paris-Saclay, Examinateur
• Alfredo BRAUNSTEIN, Associate Professor, Politecnico di Torino, Examinateur

Mots clés

Graphes complexes, Réseaux sociaux, Dynamiques d'opinion, Apprentissage automatique, Apprentissage de représentations,

Publications