Sparsification et extraction du backbone des réseaux complexes

Complex Networks Sparsification and Backbone Extraction

• Auteur / Autrice : Ali Yassin
• Direction : Hocine Cherifi, Olivier Togni, Hamida Seba Lagraa
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 29/01/2026
• Etablissement(s) : Dijon, Université Bourgogne Europe
• Ecole(s) doctorale(s) : École doctorale Sciences Physiques pour l'Ingénieur et Microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de Bourgogne (LIB) (Dijon)
• Jury : Président / Présidente : Bruno Pinaud
• Jury : Examinateurs / Examinatrices : Olivier Togni, Hamida Seba Lagraa, Engelbert Mephu-Nguifo, Jean-Loup Guillaume, Luis M. Rocha
• Jury : Rapporteurs / Rapporteuses : Engelbert Mephu-Nguifo, Jean-Loup Guillaume
• DOI : 10.70675/63447f3cz4bb5z4597z8b1az13035c6323fb

Mots clés

Mots clés contrôlés

Réseaux complexes (mathématiques)

Réseaux d'ordinateurs

Algorithmes

Mots clés libres

Réseaux complexes

Sparsification de réseau

Extraction de backbone

Netbone

Prédiction de liens

Représentation vectorielle des nœuds

Complex Networks

Sparsification

Backbone Extraction

Netbone

Link Prediction

Node Embedding

Résumé

Les réseaux du monde réel sont souvent vastes et complexes, rendant leur analyse directe à la fois coûteuse en calcul et difficile à interpréter. Pour y remédier, la sparsification de réseau vise à réduire la complexité structurelle en supprimant sélectivement certaines arêtes. Cette thèse se concentre sur l’extraction de backbone, une approche de filtrage qui simplifie les réseaux pondérés en supprimant les arêtes redondantes ou statistiquement insignifiantes, ou encore en extrayant le noyau du réseau selon une propriété topologique donnée. Nous proposons trois contributions principales.Nous commençons par passer en revue et analyser les méthodes existantes, que nous classons en deux grandes catégories : statistiques et structurelles. Les méthodes statistiques évaluent la signification des arêtes par rapport à un modèle nul, tandis que les méthodes structurelles imposent des contraintes topologiques telles que la connectivité ou la planarité. Nous proposons ensuite Netbone, une bibliothèque qui unifie l’étude et l’analyse de ces approches. À l’aide de Netbone, nous réalisons une comparaison et une analyse détaillées des différentes méthodes selon plusieurs perspectives et sur de multiples jeux de données. Notre objectif est de clarifier le comportement des méthodes, leurs domaines d’application et les distorsions structurelles qu’elles peuvent introduire. Ces résultats offrent des recommandations pratiques pour choisir la technique d’extraction de backbone la plus adaptée en fonction des objectifs analytiques et des caractéristiques du réseau. Nous étendons ensuite Netbone avec un module d’interprétation du backbone basé sur un grand modèle de langage.Enfin, notre dernière contribution consiste en une nouvelle méthodologie de sparsification de graphe. Celle-ci exploite des techniques de prédiction de liens pour construire un backbone de réseau. L’idée principale est que si un lien peut être prédit avec précision, il est probablement important et devrait être inclus dans le backbone du réseau. En conséquence, nous développons plusieurs variantes de backbone en utilisant différents types de modèles de prédiction de liens.

Real-world networks are often large and complex, making direct analysis computationally demanding and conceptually unclear. To address this, network sparsification reduces structural complexity through selective edge removing. This thesis focuses on backbone extraction, a filtering-based approach that simplifies weighted networks by removing redundant or statistically insignificant edges or by extracting the network core based on a topological property. We propose three main contributions.We first review and analyze existing methods. These can be classified into statistical and structural approaches. Statistical methods evaluate edge significance against a null model while structural methods enforce topological constraints such as connectivity or planarity. We then propose Netbone, a library that unifies the study and analysis of these methods. We use Netbone to perform a detailed comparison and analysis of existing methods from different perspectives and across multiple datasets. Our aim is to clarify how different methods behave, when they are suitable, and what structural distortions they introduce. These findings provide practical guidance for selecting appropriate backbone extraction techniques according to analytical objectives and network characteristics. Then we extend Netbone with a backbone interpretation module that uses a large language model.Our final contribution is a new graph sparsification methodology. It uses link prediction techniques to construct a network backbone. The main idea is that if a link can be accurately predicted, it is likely to be important and should be included in the network backbone. Consequently, we develop several backbone variants using different types of link prediction models.