Ce travail contribuera à l’analyse avancée de graphes, à la modélisation computationnelle des influences et à l’IA générative contrainte, ouvrant la voie à de nouvelles méthodes pour explorer, simuler et comprendre les dynamiques d’influence dans des domaines à forte complexité relationnelle. Les résultats attendus sont :

• Un ensemble d’indicateurs numériques robustes pour quantifier l’influence et les tensions entre nœuds ;
• Des modèles de propagation d’influence adaptés aux graphes hétérogènes ;
• Des mécanismes d’intégration de ces mesures dans des modèles génératifs (GNN, diffusion, graph transformers) ; et
• Démonstrateur appliqué aux écosystèmes d’influence dans les sciences et les arts.

EXPECTED RESULTS

This work will contribute to advanced graph analysis, computational modelling of influence and constrained generative AI, paving the way for new methods to explore, simulate and understand the dynamics of influence in domains characterised by high relational complexity. The expected outcomes are:

• A set of robust numerical indicators to quantify influence and tensions between nodes;
• Influence propagation models adapted to heterogeneous graphs;
• Mechanisms for integrating these measures into generative models (GNNs, diffusion, graph transformers); and
• A demonstrator applied to influence ecosystems in the sciences and the arts.