Hugging Face's logo

Spaces:
othmanekabal
/
JDOC-2026
Running

App Files Community
JDOC-2026
File size: 18,252 Bytes
55a8fce
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287

<style>
  * { box-sizing: border-box; margin: 0; padding: 0; }
  body { font-family: var(--font-sans); }
  .page { padding: 1.5rem 0; }
  h1 { font-size: 22px; font-weight: 500; color: var(--color-text-primary); margin-bottom: 0.4rem; }
  .subtitle { font-size: 14px; color: var(--color-text-secondary); margin-bottom: 2rem; }
  .tabs { display: flex; gap: 8px; margin-bottom: 2rem; flex-wrap: wrap; }
  .tab { padding: 8px 18px; border-radius: var(--border-radius-md); border: 0.5px solid var(--color-border-secondary); font-size: 14px; cursor: pointer; background: var(--color-background-primary); color: var(--color-text-secondary); transition: all .15s; }
  .tab.active { background: var(--color-background-secondary); color: var(--color-text-primary); border-color: var(--color-border-primary); font-weight: 500; }
  .panel { display: none; }
  .panel.active { display: block; }
  .section-title { font-size: 18px; font-weight: 500; color: var(--color-text-primary); margin-bottom: 0.3rem; }
  .section-sub { font-size: 13px; color: var(--color-text-secondary); margin-bottom: 1.4rem; line-height: 1.6; }
  .grid2 { display: grid; grid-template-columns: 1fr 1fr; gap: 1rem; margin-bottom: 1.5rem; }
  .card { background: var(--color-background-primary); border: 0.5px solid var(--color-border-tertiary); border-radius: var(--border-radius-lg); padding: 1rem 1.2rem; }
  .card-label { font-size: 11px; font-weight: 500; letter-spacing: .04em; color: var(--color-text-tertiary); text-transform: uppercase; margin-bottom: 6px; }
  .card-title { font-size: 15px; font-weight: 500; color: var(--color-text-primary); margin-bottom: 6px; }
  .card-desc { font-size: 13px; color: var(--color-text-secondary); line-height: 1.6; }
  .badge { display: inline-block; font-size: 11px; padding: 2px 9px; border-radius: 20px; margin-right: 4px; margin-bottom: 4px; font-weight: 500; }
  .badge-green { background: var(--color-background-success); color: var(--color-text-success); }
  .badge-red { background: var(--color-background-danger); color: var(--color-text-danger); }
  .loss-box { background: var(--color-background-secondary); border-radius: var(--border-radius-md); padding: 1rem 1.2rem; margin-bottom: 1rem; border-left: 3px solid transparent; }
  .loss-box.blue { border-color: #378ADD; }
  .loss-box.teal { border-color: #1D9E75; }
  .loss-box.amber { border-color: #BA7517; }
  .loss-box.purple { border-color: #534AB7; }
  .loss-name { font-size: 14px; font-weight: 500; color: var(--color-text-primary); margin-bottom: 4px; }
  .loss-formula { font-family: var(--font-mono); font-size: 13px; color: var(--color-text-info); background: var(--color-background-primary); border: 0.5px solid var(--color-border-tertiary); border-radius: 6px; padding: 8px 12px; margin: 8px 0; line-height: 1.7; }
  .loss-desc { font-size: 13px; color: var(--color-text-secondary); line-height: 1.6; }
  .flow-row { display: flex; align-items: center; gap: 0; margin: 1.2rem 0; flex-wrap: wrap; }
  .flow-node { background: var(--color-background-secondary); border: 0.5px solid var(--color-border-secondary); border-radius: var(--border-radius-md); padding: 8px 14px; font-size: 13px; color: var(--color-text-primary); text-align: center; min-width: 90px; }
  .flow-node.highlight-blue { background: #E6F1FB; border-color: #378ADD; color: #0C447C; }
  .flow-node.highlight-teal { background: #E1F5EE; border-color: #1D9E75; color: #085041; }
  .flow-node.highlight-amber { background: #FAEEDA; border-color: #BA7517; color: #633806; }
  .flow-node.highlight-purple { background: #EEEDFE; border-color: #534AB7; color: #3C3489; }
  @media (prefers-color-scheme: dark) {
    .flow-node.highlight-blue { background: #0C447C; border-color: #378ADD; color: #B5D4F4; }
    .flow-node.highlight-teal { background: #085041; border-color: #1D9E75; color: #9FE1CB; }
    .flow-node.highlight-amber { background: #633806; border-color: #BA7517; color: #FAC775; }
    .flow-node.highlight-purple { background: #3C3489; border-color: #534AB7; color: #CECBF6; }
  }
  .flow-arrow { font-size: 18px; color: var(--color-text-tertiary); margin: 0 6px; }
  .divider { border: none; border-top: 0.5px solid var(--color-border-tertiary); margin: 1.5rem 0; }
  .compare-row { display: grid; grid-template-columns: 1fr 1fr 1fr; gap: 10px; margin-bottom: 1rem; }
  .compare-cell { font-size: 13px; color: var(--color-text-secondary); background: var(--color-background-secondary); border-radius: var(--border-radius-md); padding: 8px 12px; line-height: 1.5; }
  .compare-cell.header { font-weight: 500; color: var(--color-text-primary); font-size: 13px; background: transparent; padding: 4px 12px; }
  .tag { font-size: 11px; font-weight: 500; padding: 2px 8px; border-radius: 20px; display: inline-block; }
  .tag-gen { background: #E6F1FB; color: #0C447C; }
  .tag-con { background: #EEEDFE; color: #3C3489; }
  @media (prefers-color-scheme: dark) {
    .tag-gen { background: #042C53; color: #B5D4F4; }
    .tag-con { background: #26215C; color: #CECBF6; }
  }
</style>

<div class="page">
  <h2 class="sr-only">Explication des méthodes GSSL: Generative et Contrastive</h2>
  <h1>Graph Self-Supervised Learning (GSSL)</h1>
  <p class="subtitle">Deux grandes familles de méthodes pour apprendre des représentations de graphes sans étiquettes</p>

  <div class="tabs">
    <button class="tab active" onclick="show('gen')">Méthodes génératives</button>
    <button class="tab" onclick="show('con')">Méthodes contrastives</button>
    <button class="tab" onclick="show('loss')">Fonctions de loss</button>
    <button class="tab" onclick="show('compare')">Comparaison</button>
  </div>

  <!-- GENERATIVE -->
  <div class="panel active" id="panel-gen">
    <p class="section-title"><span class="tag tag-gen">Generative</span> &nbsp;Approche par reconstruction</p>
    <p class="section-sub">Le modèle apprend à encoder le graphe dans un espace latent, puis à reconstruire les attributs originaux (features) ou la structure (relations). Le signal superviseur est la qualité de la reconstruction.</p>

    <div class="flow-row">
      <div class="flow-node">Graphe G(X, R)</div>
      <span class="flow-arrow">→</span>
      <div class="flow-node highlight-blue">GNN Encoder</div>
      <span class="flow-arrow">→</span>
      <div class="flow-node">Z (embedding)</div>
      <span class="flow-arrow">→</span>
      <div class="flow-node highlight-teal">Decoder</div>
      <span class="flow-arrow">→</span>
      <div class="flow-node highlight-amber">X̂ / R̂</div>
      <span class="flow-arrow">→</span>
      <div class="flow-node">Loss L</div>
    </div>

    <hr class="divider">
    <p style="font-size:14px; font-weight:500; color:var(--color-text-primary); margin-bottom:1rem;">Deux sous-tâches principales</p>

    <div class="grid2">
      <div class="card">
        <div class="card-label">Tâche 1</div>
        <div class="card-title">Reconstruction des features</div>
        <div class="card-desc">Le modèle masque certains attributs de nœuds <strong style="font-weight:500">X</strong> et apprend à les prédire depuis l'embedding Z. Le décodeur peut être un MLP, GCN ou RGCN.</div>
        <br>
        <div class="loss-formula">Ẑ = GNN(X, A)<br>X̂ = Decoder(Ẑ)<br>L_feat = ‖X - X̂‖²</div>
        <div style="margin-top:8px">
          <span class="badge badge-green">✓ Préserve les features</span>
          <span class="badge badge-green">✓ Info locale</span>
        </div>
      </div>
      <div class="card">
        <div class="card-label">Tâche 2</div>
        <div class="card-title">Reconstruction des relations</div>
        <div class="card-desc">Le modèle prédit les arêtes ou scores de relation entre paires de nœuds depuis leurs embeddings. Utilise ConvE, DistMult ou produit scalaire.</div>
        <br>
        <div class="loss-formula">Ẑ = GNN(X, A)<br>R̂ᵢⱼ = Decoder(zᵢ, zⱼ)<br>L_struct = BCE(R, R̂)</div>
        <div style="margin-top:8px">
          <span class="badge badge-green">✓ Structure locale</span>
          <span class="badge badge-red">✗ Pas discriminatif</span>
        </div>
      </div>
    </div>

    <div class="card" style="border-left: 3px solid #378ADD;">
      <div class="card-label">Décodeurs disponibles</div>
      <div style="display:flex; gap:10px; flex-wrap:wrap; margin-top:8px;">
        <div style="flex:1; min-width:140px;">
          <div style="font-size:13px; font-weight:500; color:var(--color-text-primary);">Pour les features</div>
          <div class="loss-formula" style="margin-top:6px">RGCN, GCN, MLP</div>
        </div>
        <div style="flex:1; min-width:140px;">
          <div style="font-size:13px; font-weight:500; color:var(--color-text-primary);">Pour les relations</div>
          <div class="loss-formula" style="margin-top:6px">ConvE, DistMult,<br>Dot Product</div>
        </div>
      </div>
    </div>
  </div>

  <!-- CONTRASTIVE -->
  <div class="panel" id="panel-con">
    <p class="section-title"><span class="tag tag-con">Contrastive</span> &nbsp;Approche par vues augmentées</p>
    <p class="section-sub">Le modèle apprend à rapprocher les représentations de différentes vues augmentées d'un même graphe (paires positives), et à éloigner celles de graphes différents (paires négatives).</p>

    <div class="flow-row">
      <div class="flow-node">Graphe G(X, R)</div>
      <span class="flow-arrow">→</span>
      <div class="flow-node highlight-teal">Augmentation</div>
      <span class="flow-arrow">→</span>
      <div class="flow-node">G₁, …, Gₖ</div>
      <span class="flow-arrow">→</span>
      <div class="flow-node highlight-blue">GNN Encoder</div>
      <span class="flow-arrow">→</span>
      <div class="flow-node">H₁, …, Hₖ</div>
      <span class="flow-arrow">→</span>
      <div class="flow-node highlight-purple">L_contrastive</div>
    </div>

    <hr class="divider">
    <p style="font-size:14px; font-weight:500; color:var(--color-text-primary); margin-bottom:1rem;">Types d'augmentation du graphe</p>

    <div class="grid2">
      <div class="card">
        <div class="card-label">Augmentation 1</div>
        <div class="card-title">Feature Masking</div>
        <div class="card-desc">Masque aléatoirement une proportion des attributs de nœuds (mis à zéro ou bruit gaussien). Force le modèle à apprendre des représentations robustes aux features manquantes.</div>
        <br>
        <div class="loss-formula">X̃ᵢ = Xᵢ ⊙ mᵢ<br>mᵢ ~ Bernoulli(1-p)</div>
      </div>
      <div class="card">
        <div class="card-label">Augmentation 2</div>
        <div class="card-title">Edge Dropping</div>
        <div class="card-desc">Supprime aléatoirement une proportion des arêtes du graphe. Force le modèle à apprendre des représentations robustes aux variations de structure.</div>
        <br>
        <div class="loss-formula">Ẽ = {(u,v) ∈ E : bᵤᵥ=1}<br>bᵤᵥ ~ Bernoulli(1-p)</div>
      </div>
    </div>

    <div class="card" style="border-left: 3px solid #534AB7;">
      <div class="card-label">Paires positives / négatives</div>
      <div class="grid2" style="margin-top:10px; margin-bottom:0;">
        <div>
          <div style="font-size:13px; font-weight:500; color:var(--color-text-primary); margin-bottom:6px;"><span class="badge badge-green">Positives</span></div>
          <div class="card-desc">Deux vues du <em>même</em> nœud/graphe après différentes augmentations → rapprocher dans l'espace latent</div>
        </div>
        <div>
          <div style="font-size:13px; font-weight:500; color:var(--color-text-primary); margin-bottom:6px;"><span class="badge badge-red">Négatives</span></div>
          <div class="card-desc">Vues de nœuds/graphes <em>différents</em> → éloigner dans l'espace latent</div>
        </div>
      </div>
    </div>
  </div>

  <!-- LOSS FUNCTIONS -->
  <div class="panel" id="panel-loss">
    <p class="section-title">Fonctions de loss</p>
    <p class="section-sub">Chaque approche optimise un objectif différent. Les méthodes génératives minimisent l'erreur de reconstruction ; les méthodes contrastives maximisent l'accord entre vues augmentées.</p>

    <div class="loss-box blue">
      <div class="loss-name"><span class="tag tag-gen">Generative</span> &nbsp; L_features — Reconstruction des attributs</div>
      <div class="loss-formula">L_feat = (1/N) · Σᵢ ‖Xᵢ - X̂ᵢ‖²

où X̂ᵢ = Decoder(GNN(X, A))ᵢ</div>
      <div class="loss-desc">MSE entre les features originales et reconstruites. Minimisé quand l'encodeur capture l'information contenue dans les attributs de chaque nœud. Utilisé avec un masquage partiel (style MAE).</div>
    </div>

    <div class="loss-box teal">
      <div class="loss-name"><span class="tag tag-gen">Generative</span> &nbsp; L_struct — Reconstruction des relations</div>
      <div class="loss-formula">L_struct = -Σ₍ᵢ,ⱼ₎ [ Aᵢⱼ · log σ(zᵢᵀzⱼ) + (1-Aᵢⱼ) · log(1-σ(zᵢᵀzⱼ)) ]

ou via DistMult: score(i,r,j) = zᵢᵀ · diag(rᵣ) · zⱼ</div>
      <div class="loss-desc">Binary cross-entropy sur l'existence d'arêtes (Dot Product / ConvE / DistMult). Le modèle apprend à prédire quels nœuds sont connectés depuis leurs embeddings.</div>
    </div>

    <div class="loss-box purple">
      <div class="loss-name"><span class="tag tag-con">Contrastive</span> &nbsp; L_NT-Xent — InfoNCE / NT-Xent</div>
      <div class="loss-formula">L = -(1/N) · Σᵢ log [ exp(sim(hᵢ, hᵢ⁺)/τ) / Σⱼ≠ᵢ exp(sim(hᵢ, hⱼ)/τ) ]

sim(u,v) = uᵀv / (‖u‖·‖v‖)   (cosine similarity)
τ : température (hyperparamètre)</div>
      <div class="loss-desc">Pour chaque nœud i, maximise la similarité avec sa vue augmentée hᵢ⁺ (positive) relativement à toutes les autres représentations du batch (négatives). τ contrôle la concentration des distributions.</div>
    </div>

    <div class="loss-box amber">
      <div class="loss-name"><span class="tag tag-gen">Generative</span> + <span class="tag tag-con">Contrastive</span> &nbsp; Loss combinée</div>
      <div class="loss-formula">L_total = α · L_feat + β · L_struct + γ · L_contrastive

α, β, γ : hyperparamètres de pondération</div>
      <div class="loss-desc">Combinaison des deux approches pour bénéficier à la fois de la préservation de l'information locale (generative) et d'un objectif discriminatif (contrastive). Utilisé dans des méthodes hybrides comme AFGRL, SimGRACE ou des variantes VGAE.</div>
    </div>
  </div>

  <!-- COMPARE -->
  <div class="panel" id="panel-compare">
    <p class="section-title">Comparaison des deux approches</p>
    <p class="section-sub">Chaque famille a ses forces et faiblesses. Les choisir selon la tâche aval et les contraintes du problème.</p>

    <div class="compare-row">
      <div class="compare-cell header"></div>
      <div class="compare-cell header" style="color:#0C447C"><span class="tag tag-gen">Generative</span></div>
      <div class="compare-cell header" style="color:#3C3489"><span class="tag tag-con">Contrastive</span></div>
    </div>

    <div class="compare-row">
      <div class="compare-cell" style="font-weight:500; color:var(--color-text-primary);">Objectif</div>
      <div class="compare-cell">Reconstruire X ou R depuis Z</div>
      <div class="compare-cell">Aligner les vues positives, séparer les négatives</div>
    </div>
    <div class="compare-row">
      <div class="compare-cell" style="font-weight:500; color:var(--color-text-primary);">Signal</div>
      <div class="compare-cell">Erreur de reconstruction</div>
      <div class="compare-cell">Similarité entre représentations</div>
    </div>
    <div class="compare-row">
      <div class="compare-cell" style="font-weight:500; color:var(--color-text-primary);">Info capturée</div>
      <div class="compare-cell"><span class="badge badge-green">✓ Locale</span> voisinage immédiat</div>
      <div class="compare-cell"><span class="badge badge-green">✓ Globale</span> structure générale</div>
    </div>
    <div class="compare-row">
      <div class="compare-cell" style="font-weight:500; color:var(--color-text-primary);">Objectif discriminatif</div>
      <div class="compare-cell"><span class="badge badge-red">✗ Absent</span></div>
      <div class="compare-cell"><span class="badge badge-green">✓ Naturel</span></div>
    </div>
    <div class="compare-row">
      <div class="compare-cell" style="font-weight:500; color:var(--color-text-primary);">Préservation input</div>
      <div class="compare-cell"><span class="badge badge-green">✓ Forte</span></div>
      <div class="compare-cell"><span class="badge badge-red">✗ Non garantie</span></div>
    </div>
    <div class="compare-row">
      <div class="compare-cell" style="font-weight:500; color:var(--color-text-primary);">Défi principal</div>
      <div class="compare-cell">Définir un bon décodeur</div>
      <div class="compare-cell">Générer des vues augmentées efficaces</div>
    </div>
    <div class="compare-row">
      <div class="compare-cell" style="font-weight:500; color:var(--color-text-primary);">Exemples</div>
      <div class="compare-cell">GAE, VGAE, GraphMAE</div>
      <div class="compare-cell">GraphCL, GRACE, GCA, MVGRL</div>
    </div>

    <div style="margin-top:1.5rem; display:flex; gap:10px; flex-wrap:wrap;">
      <button class="tab" onclick="sendPrompt('Explique-moi comment fonctionne GraphMAE en détail')">Approfondir GraphMAE ↗</button>
      <button class="tab" onclick="sendPrompt('Comment choisir entre approche generative et contrastive pour mon problème GSSL?')">Aide au choix ↗</button>
      <button class="tab" onclick="sendPrompt('Explique la fonction NT-Xent et son hyperparamètre température τ')">NT-Xent & température ↗</button>
    </div>
  </div>
</div>

<script>
function show(tab) {
  document.querySelectorAll('.panel').forEach(p => p.classList.remove('active'));
  document.querySelectorAll('.tab').forEach(t => t.classList.remove('active'));
  document.getElementById('panel-' + tab).classList.add('active');
  event.target.classList.add('active');
}
</script>