Niveau des études supérieures · Université Concordia, Laboratoire d'algorithmes et de complexité, Département d'informatique et de génie logiciel · Montréal, Québec, Canada ·
Recherche en conception et analyse d’algorithmes, théorie des graphes et analyse de réseaux sociaux
Travail au Laboratoire d’algorithmes et de complexité
Sous la supervision du professeur Hovhannes Harutyunyan
Date : Août 2024 – Présent
Mon rôle principal consistait à :
Concevoir Spider, un algorithme de détection de communautés dans les graphes combinant une expansion géodésique, un raffinement guidé par la modularité et un appariement glouton par fusion.
Évaluer les performances de Spider sur 14 réseaux réels (jusqu’à 8 035 nœuds et 183 663 arêtes) en comparaison avec Leiden, Louvain et Infomap, obtenant des améliorations de 8 à 15 % en NMI, modularité et score F1.
Appliquer une sparsification par metric backbone, permettant une réduction moyenne de 65 % des arêtes, et proposer la modularité moyenne pondérée par distance géodésique (wGDM) afin de normaliser et d’équilibrer la GDM pour l’évaluation locale de la qualité des communautés.
Mettre en place un pipeline expérimental entièrement reproductible, incluant des graines aléatoires fixes, des implémentations de référence et des scripts d’évaluation automatisés.
Niveau du premier cycle · Université Vali-e-Asr de Rafsanjan, Département de génie informatique · Rafsanjan, Kerman, Iran ·
Domaine de recherche : Détection de communautés (algorithmes de graphes)
Superviseure : Dr Fahimeh Dabaghi-Zarandi
Département : Département de « génie informatique » de l’« Université Vali-e-Asr de Rafsanjan ».
Date : Août 2021 – Mars 2024
Mon rôle clé consistait à :
Réaliser une revue exhaustive des travaux antérieurs en détection de communautés basée sur les graphes.
Concevoir et implémenter CRLG, un cadre de détection de communautés aléatoire exploitant à la fois l’information locale et globale du réseau.
Développer un mécanisme d’initialisation probabiliste pondérée ainsi qu’une assignation des communautés fondée sur la similarité, avec une fusion heuristique des communautés.
Implémenter et évaluer le cadre en MATLAB et Python, incluant la validation, les tests et l’optimisation des performances.
Évaluer la méthode sur des réseaux réels et des bancs d’essai GN/LFR, obtenant jusqu’à 10 % d’amélioration par rapport à LCDR, MOACO, Node2Vec-SC, NE-N2V, CDASS et TS selon les métriques NMI, modularité et densité.