Mission : Plusieurs concepts de géométrie Riemannienne ont récemment trouvé des applications en apprentissage, et notamment en apprentissage profond sur graphes, tels que la courbure d'Ollivier-Ricci. Par exemple, la notion locale de delta-hyperbolicité, qui mesure la similarité locale entre un graphe et un arbre, a été exploitée pour traiter le problème d'over-squashing. Une limite fondamentale de cette notion est sa nature combinatoire, qui rend difficile son intégration dans les algorithmes d'apprentissage. Récemment, une approximation différentiable de cette notion a été proposée [1], et étudiée de manière essentiellement théorique. La mission du candidat est de développer le code associé à cette nouvelle approximation, de l'intégrer et de la tester dans des algorithmes profonds d'apprentissage sur graphes. [1] Pierre Houedry, Nicolas Courty, Florestan Martin-Baillon, Laetitia Chapel, and Titouan Vayer. Bridging arbitrary and tree metrics via differentiable gromov hyperbolicity. In The Thirty-ninth Annual Conference on Neural Information Processing Systems, 2025 Activités : Intégrer la notion d'hyperbolicité locale dans les benchmark classiques des réseaux de neurones profond sur graphes, optimiser l'efficacité et la scalabilité des algorithmes d'entraînement.