[M2L 2025] 4.2 A Broad Introduction to Topological Deep Learning - Mathilde Papillon

Item: [M2L 2025] 4.2 A Broad Introduction to Topological Deep Learning - Mathilde Papillon
Rating: 4
Author: PostSingularity Institute

par Mathilde Papillon

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQNRéseaux neuronaux et systèmes flous

🎙 Mathilde Papillon 👥 3K 📅 13 novembre 2025 ⏱ 50 min 👁 198 📄 vulgarisation 🧭 2026-08-15

Disponible en : Français (actuel) English

Mots-clés

topological deep learninggraph neural networksmessage passinghigher-order relationscombinatorial complexes

Résumé

Cette présentation, donnée dans le cadre de la summer school Mediterranean Machine Learning (M2L) 2025, offre une introduction progressive aux réseaux de neurones pour graphes (GNN) puis au deep learning topologique (TDL). L’oratrice, Mathilde Papillon, commence par rappeler les fondements des GNN : l’importance de la connectivité, la notion de permutation invariance/equivariance, et la construction d’une couche de convolution sur graphe à partir de la matrice d’adjacence. Elle détaille la couche de Kipf & Welling, puis généralise avec les message passing neural networks (MPNN), qui permettent des fonctions de message, d’agrégation et de mise à jour plus flexibles. Elle souligne les limites des GNN, notamment leur incapacité à capturer efficacement les relations d’ordre supérieur (cycles, faces) sans empiler de nombreuses couches, ce qui entraîne des problèmes de sur-lissage. La seconde partie introduit le TDL comme une extension naturelle : en représentant les données sur des domaines combinatoires (complexes cellulaires, hypergraphes, complexes combinatoires), on peut définir des voisinages plus riches (boundary, co-boundary, upper/lower adjacency) et des mécanismes de message passing sur des cellules de rang arbitraire. L’exposé se conclut par des exemples d’applications et une invitation à explorer les ressources citées.

190 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée pour une introduction : l’oratrice explique clairement les concepts fondamentaux (adjacence, permutation invariance, message passing) et les relie à des applications concrètes (Google Maps, stratégie football). L’argumentation est solide : elle part des GNN, montre leurs limites, puis introduit le TDL comme solution, avec une progression logique. Les explications sont intuitives, appuyées par des schémas et des exemples. La présentation est bien structurée et accessible, tout en restant techniquement précise.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : l’oratrice cite des travaux fondateurs (Kipf & Welling, message passing) et des applications réelles (Google Maps, Nature Communications). Les sources sont de qualité, mais la présentation reste une vulgarisation et ne fournit pas de références bibliographiques détaillées dans la vidéo. Le titre est adéquat : il annonce une introduction large au TDL, ce qui est bien le cas. La qualité des sources est correcte, mais l’absence de citations explicites dans la description limite la vérifiabilité.

172 mots

Adéquation titre / contenu

Le titre annonce une introduction large au deep learning topologique, et le contenu couvre effectivement les bases des GNN puis les concepts clés du TDL, avec une progression pédagogique.

Qualité & fiabilité

8/10

Exposé structuré par une chercheuse du domaine, s'appuyant sur des références fondatrices (Kipf & Welling, message passing) et des applications concrètes (Google Maps, stratégie football). Le contenu est vulgarisé mais exact, avec des définitions précises (adjacence, permutation invariance).

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Kipf & Welling, Semi-Supervised Classification with Graph Convolutional Networks — Référence fondatrice pour la couche de convolution sur graphe.
Gilmer et al., Neural Message Passing for Quantum Chemistry — Introduction des message passing neural networks.
Papillon et al., Architectures of Topological Deep Learning: A Survey on Topological Neural Networks — Référence pour le TDL et les domaines combinatoires.

Sources concordantes

Kipf & Welling, Semi-Supervised Classification with Graph Convolutional Networks — La couche GCN présentée est directement issue de cet article.
Gilmer et al., Neural Message Passing for Quantum Chemistry — Le cadre des message passing neural networks est décrit dans cet article.

Apport & nouveautés

L’apport principal de cette vidéo est de fournir une introduction claire et accessible au deep learning topologique, en le présentant comme une extension naturelle des GNN. Elle met en lumière les limites des GNN pour capturer les relations d’ordre supérieur et montre comment le TDL y répond grâce à des domaines combinatoires et des mécanismes de message passing sur des cellules de rang arbitraire. La présentation est pédagogique et bien structurée, ce qui en fait une bonne porte d’entrée pour les chercheurs et étudiants.

Pour aller plus loin :

Topological Deep Learning: A Survey — Article de synthèse sur le TDL.
Combinatorial Complexes — Notion mathématique sous-jacente.
Graph Neural Networks — Introduction interactive aux GNN.

115 mots

Profil radar

Le profil radar montre une bonne qualité d'information et une fiabilité globale élevée, avec un niveau technique modéré, adapté à une introduction. La quantité d'information est correcte, mais la présentation reste synthétique.

Fiabilité 8/10