Identification et estimation d’un effet de pair dans les graphes de données sociales, identification de sous-populations, problèmes liés à la collecte de données pour l’étude de l’effet de pair (biais), hypothèses causales.

Données relationnelles, graphes, données explicitant des relations sociales entre individus ou groupes d’individus.

L’accès toujours croissant à des données de réseaux a fait émerger une importante littérature en économétrie et en informatique sur l’identification et l’estimation des effets de pairs. Tandis que les experts en économétrie ont souvent recours à des modèles linéaires en moyenne, les experts en informatique ont proposé des méthodes basées sur de l’apprentissage symbolique (apprentissage de règles, éventuellement dans des restrictions de la logique des prédicats du premier ordre), de la fouille de graphes attribués ou sur des approches d’apprentissage profond (GNN). L’atelier proposé a des thématiques communes avec l’Analyse de Réseaux Sociaux (Social Network Analysis), domaine également pluridisciplinaire. Le but est plus particulièrement au sein de cet atelier de s’intéresser à la prédiction d’une variable cible attachée à un sommet du réseau social, plutôt par exemple de prédire l’évolution de réseau social en lui-même (prévision de lien).

Liens avec GT MADICS :
L’atelier a des liens thématiques avec le groupe de travail du GDR MADICS RECAST, nous mettons dans l’atelier tout particulièrement l’accent sur l’impact de données d’interactions pour la prédiction de variables cibles de décision, ces variables pouvant être simples – par exemple, un comportement ou un changement de comportement – ou structurées (comme une liste de choix ordonnée).

Liens avec autres GDR :
L’apprentissage dans des données relationnelles relève également partiellement de problématiques du GDR RADIA (notamment le GT Explicon, Explication et Confiance) car il est crucial de pouvoir justifier des décisions prises par les modèles proposés, ainsi que le GT MHyIA (Modèles Hybrides) puisque l’on s’intéresse à comparer des modèles de natures très différentes.