gssl_methods_explainer.html

<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>