aspects algorithmiques de la comparaison d el ements
play

Aspects algorithmiques de la comparaison d el ements biologiques - PowerPoint PPT Presentation

Nov 28, 2023 •138 likes •1.64k views

Aspects algorithmiques de la comparaison d el ements biologiques Florian Sikora Universit e Paris-Est 30 septembre 2011 Introduction Complexit e Recherche exacte de motifs Recherche approch ee de motifs Logiciels

  1. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Recherche de motifs ◮ Vision “classique” de la recherche de motifs : ◮ Le motif a une certaine topologie (chemin, arbre, graphes sp´ ecifiques...). ◮ La solution correspond aux labels et ` a la topologie du motif. ◮ Un nombre born´ e d’ insertions et d´ el´ etions peut-ˆ etre autoris´ e 20/55

  2. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Recherche de motifs ◮ Vision “classique” de la recherche de motifs : ◮ Le motif a une certaine topologie (chemin, arbre, graphes sp´ ecifiques...). ◮ La solution correspond aux labels et ` a la topologie du motif. ◮ Un nombre born´ e d’insertions et d´ el´ etions peut-ˆ etre autoris´ e 20/55

  3. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Recherche de motifs ◮ Vision “classique” de la recherche de motifs : ◮ Le motif a une certaine topologie (chemin, arbre, graphes sp´ ecifiques...). ◮ La solution correspond aux labels et ` a la topologie du motif. ◮ Un nombre born´ e d’insertions et d´ el´ etions peut-ˆ etre autoris´ e ◮ Beaucoup d’algorithmes FPT, selon diff´ erents types de topologie [Shlomi et al. 2006, Dost et al. 2007] . ◮ PADA1 [Blin, S., Vialette 2009,2010] . 20/55

  4. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif ◮ Constat : les donn´ ees biologiques sont exp´ erimentales donc tr` es bruit´ ees [Edwards et al. 2002] ◮ Manque des informations (faux n´ egatifs). Estim´ e ` a 50%. ◮ Informations erron´ ees (faux positifs). Estim´ e ` a 50%. ◮ La topologie du motif peut ne pas ˆ etre connue a priori . ◮ Diff´ erents motifs peuvent avoir une mˆ eme topologie. 21/55

  5. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif ◮ Constat : les donn´ ees biologiques sont exp´ erimentales donc tr` es bruit´ ees [Edwards et al. 2002] ◮ Manque des informations (faux n´ egatifs). Estim´ e ` a 50%. ◮ Informations erron´ ees (faux positifs). Estim´ e ` a 50%. ◮ La topologie du motif peut ne pas ˆ etre connue a priori . ◮ Diff´ erents motifs peuvent avoir une mˆ eme topologie. ◮ La topologie du motif peut ne pas ˆ etre pertinente. 21/55

  6. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif – D´ efinition ◮ Chaque nœud du r´ eseau est color´ e selon sa famille. ◮ Le motif est juste un (multi-)ensemble de couleurs ` a retrouver connect´ e dans le r´ eseau color´ e [Lacroix et al. 2006] . 22/55

  7. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif – D´ efinition ◮ Chaque nœud du r´ eseau est color´ e selon sa famille. ◮ Le motif est juste un (multi-)ensemble de couleurs ` a retrouver connect´ e dans le r´ eseau color´ e [Lacroix et al. 2006] . ◮ Topologie n’est que la connexit´ e de la solution. 22/55

  8. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif – Un exemple jouet M : G : 23/55

  9. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif – Un exemple jouet M : G : 23/55

  10. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif – Un exemple jouet M : G : 23/55

  11. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif ◮ S’applique ` a diff´ erents types de r´ eseaux biologiques. ◮ Initialement sur les r´ eseaux m´ etaboliques [Lacroix et al. 2006] . ◮ Utilisable sur les r´ eseaux PPI [Bruckner et al. 2009] . ◮ Selon [Betzler et al. 2008] , peut ˆ etre utilis´ e pour les r´ eseaux sociaux. 24/55

  12. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif – Difficult´ e ◮ Le probl` eme est NP-complet, mˆ eme si : ◮ Le r´ eseau est un arbre [Lacroix et al. 2006] , ◮ Cet arbre est de degr´ e maximum 3 et le motif est un colorful [Fellows et al. 2007] , ◮ L’ arbre est de profondeur 2 et le motif est un colorful [Ambalath et al. 2010] , ◮ Le motif n’est constitu´ e que de 2 couleurs et le r´ eseau est un graphe biparti de degr´ e maximum 4 [Fellows et al. 2007] . 25/55

  13. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif – Complexit´ e param´ etr´ e ◮ Le probl` eme est FPT par la taille k du motif : ◮ O ∗ (87 k ) [Fellows et al. 2007] . ◮ O ∗ (4 . 3 k ) (motif multi-ensemble) [Betzler et al. 2008] . ◮ O ∗ (3 k ) (motif colorful) [Betzler et al. 2008] . 26/55

  14. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif – Complexit´ e param´ etr´ e ◮ Le probl` eme est FPT par la taille k du motif : ◮ O ∗ (87 k ) [Fellows et al. 2007] . ◮ O ∗ (4 . 3 k ) (motif multi-ensemble) [Betzler et al. 2008] . ◮ O ∗ (3 k ) (motif colorful) [Betzler et al. 2008] . ◮ Programmation dynamique et color-coding : complexit´ e en espace exponentielle en k . 26/55

  15. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif – Complexit´ e param´ etr´ e ◮ Le probl` eme est FPT par la taille k du motif : ◮ O ∗ (87 k ) [Fellows et al. 2007] . ◮ O ∗ (4 . 3 k ) (motif multi-ensemble) [Betzler et al. 2008] . ◮ O ∗ (3 k ) (motif colorful) [Betzler et al. 2008] . ◮ Programmation dynamique et color-coding : complexit´ e en espace exponentielle en k . ◮ Mais W[1]-difficile si param´ etr´ e par le nombre de couleurs diff´ erentes [Fellows et al. 2007] . 26/55

  16. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes ◮ Am´ elioration de la complexit´ e via un outil dˆ u ` a Koutis et Williams [2008,2009] . 27/55

  17. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes ◮ Am´ elioration de la complexit´ e via un outil dˆ u ` a Koutis et Williams [2008,2009] . ◮ R´ esultat clef : ◮ On peut d´ eterminer par un algorithme randomis´ e, en temps O ∗ (2 k ) et en espace polynomial , si un polynˆ ome repr´ esent´ e par un circuit arithm´ etique contient un monˆ ome multilin´ eaire de degr´ e k . 27/55

  18. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes ◮ Un monˆ ome est multilin´ eaire si chaque variable du monˆ ome n’apparait qu’une seule fois. ◮ Par d´ efinition, le degr´ e d’un monˆ ome multilin´ eaire est son nombre de variables. ◮ Exemple : P ( X ) = ( x 2 1 x 3 x 5 + x 1 x 2 x 4 x 6 ) : ◮ x 1 x 2 x 4 x 6 est un monˆ ome multilin´ eaire de degr´ e 4. ◮ x 2 1 x 3 x 5 n’est pas un monˆ ome multilin´ eaire. 28/55

  19. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes ◮ Un circuit arithm´ etique sur un ensemble de variables X est un DAG t.q. : ◮ les noeuds internes sont les op´ erations × ou +, ◮ les feuilles sont des ´ el´ ements de X . 29/55

  20. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes ◮ Un circuit arithm´ etique sur un ensemble de variables X est un DAG t.q. : ◮ les noeuds internes sont les op´ erations × ou +, ◮ les feuilles sont des ´ el´ ements de X . ◮ Exemple pour P ( X ) = ( x 1 + x 2 + x 3 )( x 3 + x 4 + x 5 ). × + + x 1 x 3 x 5 x 2 x 4 29/55

  21. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes ◮ Pour r´ esoudre Graph Motif avec motif colorful : ◮ On introduit des variables correspondant aux couleurs . ◮ On construit un circuit correspondant aux couleurs de tous les sous-graphes (connexes) de taille k de G . ◮ Un monˆ ome multilin´ eaire de degr´ e k correspond alors ` a un sous-graphe avec k couleurs diff´ erentes (motif colorful), donc k sommets diff´ erents. 30/55

  22. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Exemple Construction r´ ecursive Les monˆ omes de degr´ e k = 3 contenant le nœud v 1 sont la somme des produits des monˆ omes : es k ′ < k contenant le nœud v 1 , 1. de degr´ v 1 es k − k ′ contenant un voisin de v 1 . 2. de degr´ v 2 v 3 v 4 M G 31/55

  23. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Exemple Construction r´ ecursive Les monˆ omes de degr´ e k = 3 contenant le nœud v 1 sont la somme des produits des monˆ omes : es k ′ < k contenant le nœud v 1 , 1. de degr´ v 1 es k − k ′ contenant un voisin de v 1 . 2. de degr´ Pour k ′ = 1 : v 2 v 3 x R v 4 M G 31/55

  24. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Exemple Construction r´ ecursive Les monˆ omes de degr´ e k = 3 contenant le nœud v 1 sont la somme des produits des monˆ omes : es k ′ < k contenant le nœud v 1 , 1. de degr´ v 1 es k − k ′ contenant un voisin de v 1 . 2. de degr´ Pour k ′ = 1 : v 2 v 3 x R . ( P 2 , v 2 ) v 4 M G 31/55

  25. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Exemple Construction r´ ecursive Les monˆ omes de degr´ e k = 3 contenant le nœud v 1 sont la somme des produits des monˆ omes : es k ′ < k contenant le nœud v 1 , 1. de degr´ v 1 es k − k ′ contenant un voisin de v 1 . 2. de degr´ Pour k ′ = 1 : v 2 v 3 x R . ( P 2 , v 2 + P 2 , v 3 ) v 4 M G 31/55

  26. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Exemple Construction r´ ecursive Les monˆ omes de degr´ e k = 3 contenant le nœud v 1 sont la somme des produits des monˆ omes : es k ′ < k contenant le nœud v 1 , 1. de degr´ v 1 es k − k ′ contenant un voisin de v 1 . 2. de degr´ Pour k ′ = 1 : v 2 v 3 x R . ( P 2 , v 2 + P 2 , v 3 ) v 4 = x R . ( x J . ( P 1 , v 1 + P 1 , v 3 + P 1 , v 4 )+ P 2 , v 3 ) M G 31/55

  27. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Exemple Construction r´ ecursive Les monˆ omes de degr´ e k = 3 contenant le nœud v 1 sont la somme des produits des monˆ omes : es k ′ < k contenant le nœud v 1 , 1. de degr´ v 1 es k − k ′ contenant un voisin de v 1 . 2. de degr´ Pour k ′ = 1 : v 2 v 3 x R . ( P 2 , v 2 + P 2 , v 3 ) v 4 = x R . ( x J . ( P 1 , v 1 + P 1 , v 3 + P 1 , v 4 )+ P 2 , v 3 ) M G = x R . ( x J . ( x R + x R + x B )+ P 2 , v 3 ) 31/55

  28. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Exemple Construction r´ ecursive Les monˆ omes de degr´ e k = 3 contenant le nœud v 1 sont la somme des produits des monˆ omes : es k ′ < k contenant le nœud v 1 , 1. de degr´ v 1 es k − k ′ contenant un voisin de v 1 . 2. de degr´ Pour k ′ = 1 : v 2 v 3 x R . ( P 2 , v 2 + P 2 , v 3 ) v 4 = x R . ( x J . ( P 1 , v 1 + P 1 , v 3 + P 1 , v 4 )+ P 2 , v 3 ) M G = x R . ( x J . ( x R + x R + x B )+ P 2 , v 3 ) = x R . ( x J . x R + x J . x R + x J . x B + P 2 , v 3 ) 31/55

  29. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Exemple Construction r´ ecursive Les monˆ omes de degr´ e k = 3 contenant le nœud v 1 sont la somme des produits des monˆ omes : es k ′ < k contenant le nœud v 1 , 1. de degr´ v 1 es k − k ′ contenant un voisin de v 1 . 2. de degr´ Pour k ′ = 1 : v 2 v 3 x R . ( P 2 , v 2 + P 2 , v 3 ) v 4 = x R . ( x J . ( P 1 , v 1 + P 1 , v 3 + P 1 , v 4 )+ P 2 , v 3 ) M G = x R . ( x J . ( x R + x R + x B )+ P 2 , v 3 ) = x R . ( x J . x R + x J . x R + x J . x B + P 2 , v 3 ) = x R x J x R + x R x J x R + x R x J x B + . . . 31/55

  30. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Exemple Construction r´ ecursive Les monˆ omes de degr´ e k = 3 contenant le nœud v 1 sont la somme des produits des monˆ omes : es k ′ < k contenant le nœud v 1 , 1. de degr´ v 1 es k − k ′ contenant un voisin de v 1 . 2. de degr´ Pour k ′ = 1 : v 2 v 3 x R . ( P 2 , v 2 + P 2 , v 3 ) v 4 = x R . ( x J . ( P 1 , v 1 + P 1 , v 3 + P 1 , v 4 )+ P 2 , v 3 ) M G = x R . ( x J . ( x R + x R + x B )+ P 2 , v 3 ) = x R . ( x J . x R + x J . x R + x J . x B + P 2 , v 3 ) = x R x J x R + x R x J x R + x R x J x B + . . . Il y a un monˆ ome multilin´ eaire (donc une solution). 31/55

  31. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes ◮ La construction est polynomiale. ◮ Il existe un monˆ ome multilin´ eaire de degr´ e k si et seulement s’il existe un sous-graphe connexe colorful de taille k . 32/55

  32. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes ◮ La construction est polynomiale. ◮ Il existe un monˆ ome multilin´ eaire de degr´ e k si et seulement s’il existe un sous-graphe connexe colorful de taille k . ◮ On peut r´ esoudre Graph Motif lorsque le motif est colorful en O ∗ (2 k ) (algorithme randomis´ e) et en espace polynomial [Guillemot et S. 2010] . 32/55

  33. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ Si le motif est un multi-ensemble , un monˆ ome non multilin´ eaire sur les couleurs est une solution. ◮ La construction pr´ ec´ edente n’est plus suffisante. 33/55

  34. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ Si le motif est un multi-ensemble , un monˆ ome non multilin´ eaire sur les couleurs est une solution. ◮ La construction pr´ ec´ edente n’est plus suffisante. v 1 v 2 v 3 v 4 M G 33/55

  35. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ Si le motif est un multi-ensemble , un monˆ ome non multilin´ eaire sur les couleurs est une solution. ◮ La construction pr´ ec´ edente n’est plus suffisante. v 1 v 2 v 3 · · · = x R x J x R + x R x J x B + x R x J x R + . . . v 4 M G 33/55

  36. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ Si le motif est un multi-ensemble , un monˆ ome non multilin´ eaire sur les couleurs est une solution. ◮ La construction pr´ ec´ edente n’est plus suffisante. ◮ Pour chaque couleur c qui apparait m fois dans le motif, on introduit des variables x c , 1 , x c , 2 , . . . , x c , m . v 1 v 2 v 3 v 4 M G 33/55

  37. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ Si le motif est un multi-ensemble , un monˆ ome non multilin´ eaire sur les couleurs est une solution. ◮ La construction pr´ ec´ edente n’est plus suffisante. ◮ Pour chaque couleur c qui apparait m fois dans le motif, on introduit des variables x c , 1 , x c , 2 , . . . , x c , m . v 1 v 2 v 3 · · · = ( x R , 1 + x R , 2 ) x J , 1 ( x R , 1 + x R , 2 ) + . . . v 4 M G 33/55

  38. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ Si le motif est un multi-ensemble , un monˆ ome non multilin´ eaire sur les couleurs est une solution. ◮ La construction pr´ ec´ edente n’est plus suffisante. ◮ Pour chaque couleur c qui apparait m fois dans le motif, on introduit des variables x c , 1 , x c , 2 , . . . , x c , m (reste insuffisant). v 1 v 2 v 3 · · · = ( x R , 1 + x R , 2 ) x J , 1 ( x R , 1 + x R , 2 ) + . . . = x R , 1 x J , 1 x R , 1 + x R , 1 x J , 1 x R , 2 + x R , 2 x J , 1 x R , 1 v 4 + x R , 2 x J , 1 x R , 2 + . . . M G 33/55

  39. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ Si le motif est un multi-ensemble , un monˆ ome non multilin´ eaire sur les couleurs est une solution. ◮ La construction pr´ ec´ edente n’est plus suffisante. ◮ Pour chaque couleur c qui apparait m fois dans le motif, on introduit des variables x c , 1 , x c , 2 , . . . , x c , m (reste insuffisant). v 1 v 2 v 3 · · · = ( x R , 1 + x R , 2 ) x J , 1 ( x R , 1 + x R , 2 ) + . . . = x R , 1 x J , 1 x R , 1 + x R , 1 x J , 1 x R , 2 + x R , 2 x J , 1 x R , 1 v 4 + x R , 2 x J , 1 x R , 2 + . . . M G 33/55

  40. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ Si le motif est un multi-ensemble , un monˆ ome non multilin´ eaire sur les couleurs est une solution. ◮ La construction pr´ ec´ edente n’est plus suffisante. ◮ Pour chaque couleur c qui apparait m fois dans le motif, on introduit des variables x c , 1 , x c , 2 , . . . , x c , m (reste insuffisant). ◮ Ajout de variables y v pour les nœuds v du graphe. v 1 v 2 v 3 v 4 M G 33/55

  41. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ Si le motif est un multi-ensemble , un monˆ ome non multilin´ eaire sur les couleurs est une solution. ◮ La construction pr´ ec´ edente n’est plus suffisante. ◮ Pour chaque couleur c qui apparait m fois dans le motif, on introduit des variables x c , 1 , x c , 2 , . . . , x c , m (reste insuffisant). ◮ Ajout de variables y v pour les nœuds v du graphe. v 1 v 2 v 3 v 4 · · · = y 1 ( x R , 1 + x R , 2 ) · y 2 x J , 1 · y 1 ( x R , 1 + x R , 2 ) + . . . M G 33/55

  42. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ Si le motif est un multi-ensemble , un monˆ ome non multilin´ eaire sur les couleurs est une solution. ◮ La construction pr´ ec´ edente n’est plus suffisante. ◮ Pour chaque couleur c qui apparait m fois dans le motif, on introduit des variables x c , 1 , x c , 2 , . . . , x c , m (reste insuffisant). ◮ Ajout de variables y v pour les nœuds v du graphe. v 1 v 2 v 3 · · · = y 1 ( x R , 1 + x R , 2 ) · y 2 x J , 1 · y 1 ( x R , 1 + x R , 2 ) + . . . v 4 = y 1 x R , 1 y 2 x J , 1 y 1 x R , 1 + y 1 x R , 1 y 2 x J , 1 y 1 x R , 2 + . . . M G 33/55

  43. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ Si le motif est un multi-ensemble , un monˆ ome non multilin´ eaire sur les couleurs est une solution. ◮ La construction pr´ ec´ edente n’est plus suffisante. ◮ Pour chaque couleur c qui apparait m fois dans le motif, on introduit des variables x c , 1 , x c , 2 , . . . , x c , m (reste insuffisant). ◮ Ajout de variables y v pour les nœuds v du graphe. v 1 v 2 v 3 · · · = y 1 ( x R , 1 + x R , 2 ) · y 2 x J , 1 · y 1 ( x R , 1 + x R , 2 ) + . . . v 4 = y 1 x R , 1 y 2 x J , 1 y 1 x R , 1 + y 1 x R , 1 y 2 x J , 1 y 1 x R , 2 + . . . M G 33/55

  44. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ La construction est toujours polynomiale. ◮ Il existe un monˆ ome multilin´ eaire de degr´ e 2 k si et seulement si il existe une solution de taille k . 34/55

  45. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Multi-ensemble ◮ La construction est toujours polynomiale. ◮ Il existe un monˆ ome multilin´ eaire de degr´ e 2 k si et seulement si il existe une solution de taille k . ◮ On peut r´ esoudre Graph Motif lorsque le motif est un multi-ensemble en O ∗ (4 k ) (algorithme randomis´ e) et en espace polynomial [Guillemot et S. 2010] . 34/55

  46. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Comptage ◮ Compter le nombre d’occurrences d’un motif colorful : O ∗ (2 k ) (construction similaire). 35/55

  47. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Graph Motif et polynˆ omes – Comptage ◮ Compter le nombre d’occurrences d’un motif colorful : O ∗ (2 k ) (construction similaire). ◮ Mais, si le motif est un multi-ensemble , le probl` eme est #W[1]-difficile [Guillemot et S. 2010] . 35/55

  48. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Plan Introduction Complexit´ e param´ etr´ ee et algorithmes d’approximation Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives 36/55

  49. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Variantes ◮ Donn´ ees exp´ erimentales, impr´ ecisions . ◮ Rechercher une occurrence exacte d’un motif peut ´ echouer. 37/55

  50. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Variantes ◮ Donn´ ees exp´ erimentales, impr´ ecisions . ◮ Rechercher une occurrence exacte d’un motif peut ´ echouer. ◮ Autoriser des sommets suppl´ ementaires dans la solution pour atteindre la connexit´ e ( insertions ). 37/55

  51. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Variantes ◮ Donn´ ees exp´ erimentales, impr´ ecisions . ◮ Rechercher une occurrence exacte d’un motif peut ´ echouer. ◮ Autoriser des sommets suppl´ ementaires dans la solution pour atteindre la connexit´ e ( insertions ). ◮ Autoriser l’absence de couleurs du motif dans la solution ( d´ el´ etions ). 37/55

  52. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Variantes ◮ Donn´ ees exp´ erimentales, impr´ ecisions . ◮ Rechercher une occurrence exacte d’un motif peut ´ echouer. ◮ Autoriser des sommets suppl´ ementaires dans la solution pour atteindre la connexit´ e ( insertions ). ◮ Autoriser l’absence de couleurs du motif dans la solution ( d´ el´ etions ). ◮ Autoriser plusieurs composantes connexes dans la solution. 37/55

  53. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Variantes ◮ Donn´ ees exp´ erimentales, impr´ ecisions . ◮ Rechercher une occurrence exacte d’un motif peut ´ echouer. ◮ Autoriser des sommets suppl´ ementaires dans la solution pour atteindre la connexit´ e ( insertions ). ◮ Autoriser l’absence de couleurs du motif dans la solution ( d´ el´ etions ). ◮ Autoriser plusieurs composantes connexes dans la solution. ◮ Autoriser une liste de couleurs pour chaque sommet du r´ eseau. 37/55

  54. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Une variante de Graph Motif : Minimum Substitutions ◮ Une autre variante : Minimum Substitutions [Dondi et al. 2011] . ◮ Trouver une occurrence qui reprend ”le plus de couleurs possible” du motif, mais de mˆ eme taille que le motif. ◮ On substitue des couleurs du motif par de nouvelles couleurs. 38/55

  55. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Minimum Substitutions : Exemple M : G : 39/55

  56. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Minimum Substitutions : Exemple M : G : 39/55

  57. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Minimum Substitutions : Exemple M : G : 39/55

  58. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Une variante de Graph Motif : Minimum Substitutions ◮ Il n’existe pas de ratio d’approximation inf´ erieur ` a c log | V | , sauf si P = NP , mˆ eme lorsque le motif est colorful et G est un arbre de profondeur 2. 40/55

  59. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} 41/55

  60. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} 41/55

  61. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} 41/55

  62. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} M G 41/55

  63. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} M G 41/55

  64. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} M G 41/55

  65. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} M G 41/55

  66. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} M G 41/55

  67. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} M G 41/55

  68. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} M G 41/55

  69. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} M G 41/55

  70. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} M G 41/55

  71. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} M G 41/55

  72. Introduction Complexit´ e Recherche exacte de motifs Recherche approch´ ee de motifs Logiciels Perspectives Construction X = { x 1 , x 2 , x 3 } , S = {{ x 1 , x 2 } , { x 2 , x 3 } , { x 2 }} M G |S ′ | = nombre de substitutions 41/55

Recommend

&amp; St &amp; Strategy rategy Novemb ember er 201 014 Cer ertai ain statem ements s in

&amp; St &amp; Strategy rategy Novemb ember er 201 014 Cer ertai ain statem ements s in

ICI CICI CI Gr Group: oup: Pe Performan formance ce &amp; St &amp; Strategy rategy Novemb ember er 201 014 Cer ertai ain statem ements s in these se slides des are e forwar ard-look ooking g statem ements. s. These se

1.03k views • 69 slides
Q4 2015 Earnings Presentation 25 February 2016 Not For Redistribution 2 Forward-Looking

Q4 2015 Earnings Presentation 25 February 2016 Not For Redistribution 2 Forward-Looking

Q4 2015 Earnings Presentation 25 February 2016 Not For Redistribution 2 Forward-Looking Statements All st at ements in t his press release t hat are not st at ements of hist orical fact are forward-looking st at ements wit hin t he

575 views • 22 slides
Q1 Q1-20 2017: 17: Pe Performan formance ce review eview July ly 29, , 201 016 Cer

Q1 Q1-20 2017: 17: Pe Performan formance ce review eview July ly 29, , 201 016 Cer

Q1 Q1-20 2017: 17: Pe Performan formance ce review eview July ly 29, , 201 016 Cer ertai ain statem ements s in these se slides des are e forwar ard-look ooking g statem ements. s. These se statem ements s are e based

800 views • 62 slides
Forward-Lookin Looking g Statemen ements ts This presentation contains forward-looking

Forward-Lookin Looking g Statemen ements ts This presentation contains forward-looking

J.P. P. Mo Morgan an 4 th th An Annua nual l Infrastruct rastructure ure / ML / MLP P 1x1 x1 Forum rum May 14, 2015 Strong. ong. Inn nnovativ tive. . Growing. g. 1 Forward-Lookin Looking g Statemen ements ts This

211 views • 19 slides
ICI CICI CI Gr Group: oup: Per erfor ormanc mance e &amp; St Stra rateg egy June ne

ICI CICI CI Gr Group: oup: Per erfor ormanc mance e &amp; St Stra rateg egy June ne

ICI CICI CI Gr Group: oup: Per erfor ormanc mance e &amp; St Stra rateg egy June ne 201 015 Cer ertai ain statem ements s in these se slides des are e forwar ard-look ooking g statem ements. s. These se statem ements

407 views • 38 slides
SUBSEQUENT PLANS Housing Element 2010, update in process Southside Plan 2011 Downtown Area Project

SUBSEQUENT PLANS Housing Element 2010, update in process Southside Plan 2011 Downtown Area Project

BERKELEYS GENERAL PLAN 2002 Req equired ired El Elements ements Op Opti tional onal El Elements ements Land Use Urban Design &amp; Preservation Transportation (Circulation) Citizen Participation Environmental

125 views • 9 slides
Equipe Mabios Math ematiques et Algorithmiques pour la Biologie des syst` emes Institut

Equipe Mabios Math ematiques et Algorithmiques pour la Biologie des syst` emes Institut

Equipe Mabios Math ematiques et Algorithmiques pour la Biologie des syst` emes Institut de Math ematiques de Marseille November 23, 2017 Math ematiques et Algorithmique pour la Biologie des Syst` emes (MABIOS) Team members Ana

846 views • 39 slides
Re Retail tail ba banking nking in n a d a digital gital wo world rld December mber 2015

Re Retail tail ba banking nking in n a d a digital gital wo world rld December mber 2015

Re Retail tail ba banking nking in n a d a digital gital wo world rld December mber 2015 15 Cer ertai ain statem ements s in these se slides des are e forwar ard-look ooking g statem ements. s. These se statem ements s

799 views • 50 slides
IH 2 H 20 0 IMPROVEME EMENTS New Interchange at CR 1250 The environmental review,

IH 2 H 20 0 IMPROVEME EMENTS New Interchange at CR 1250 The environmental review,

IH 2 H 20 0 IMPROVEME EMENTS New Interchange at CR 1250 The environmental review, consultation, and other actions required by applicable Federal environmental laws for this project are being, or have been, carried out by TxDOT pursuant to 23

450 views • 17 slides
Announc nouncem ements Homework 2 will be released today Available on the course website

Announc nouncem ements Homework 2 will be released today Available on the course website

Announc nouncem ements Homework 2 will be released today Available on the course website If you cannot see it, try refreshing the page Due in two weeks : 11/20/19 11:59pm Submit through GradeScope 1 Reflection Attack and

510 views • 34 slides
CS 134 134 Elem ements of of Cr Cryptography a and nd Com Computer er &amp; &amp; Networ

CS 134 134 Elem ements of of Cr Cryptography a and nd Com Computer er &amp; &amp; Networ

CS 134 134 Elem ements of of Cr Cryptography a and nd Com Computer er &amp; &amp; Networ ork Sec Secur urity Fal all 2019 2019 Instructor or: Qi Alfred ed Chen Chen https://www.ics.uci.edu/~alfchen/teaching/cs134-2019-Fall

458 views • 33 slides
Effici Ef ficiency ency &amp; Pe &amp; Perfo rformance rmance Imp Improv rovements ements

Effici Ef ficiency ency &amp; Pe &amp; Perfo rformance rmance Imp Improv rovements ements

Vis Visual ual Ana Analytic Tech lytic Techniques niques fo for r Ope Operational rational Effici Ef ficiency ency &amp; Pe &amp; Perfo rformance rmance Imp Improv rovements ements Haskayne School of Business CORS 58 th Annual

953 views • 74 slides
May 26, 2016 PRESENTATION OVERVIEW Open Space e Elemen ements ts Centr tral al Pa

May 26, 2016 PRESENTATION OVERVIEW Open Space e Elemen ements ts Centr tral al Pa

May 26, 2016 PRESENTATION OVERVIEW Open Space e Elemen ements ts Centr tral al Pa Park rk Publi lic Plann nnin ing g Proc ocess ess Eads s Stree treet t Stree reetsca tscape e Design ign Recomm ommendati

508 views • 22 slides
ENERGY Office of Science-Chicago Office Post t Awa ward Re Requirements ements for DOE SBIR/

ENERGY Office of Science-Chicago Office Post t Awa ward Re Requirements ements for DOE SBIR/

U.S. DEPARTMENT OF ENERGY Office of Science-Chicago Office Post t Awa ward Re Requirements ements for DOE SBIR/ IR/STTR TTR Phase e I Awardees ees Mar ark k Sojka ka DOE Integrated grated Support port Center nter - Chica icago

491 views • 13 slides
Some aspects of physics Some aspects of physics beyond the SM at the LHC beyond the SM at the

Some aspects of physics Some aspects of physics beyond the SM at the LHC beyond the SM at the

Some aspects of physics Some aspects of physics beyond the SM at the LHC beyond the SM at the LHC PASCOS 2012 Merida, Mxico Alberto Casas (IFT-UAM/CSIC, Madrid) Main purposes of the LHC Main purposes of the LHC Great LHC performance

890 views • 54 slides
Ra Rainbow: : Co Comb mbining g Imp Improvemen ements ts in Deep Reinforce cement

Ra Rainbow: : Co Comb mbining g Imp Improvemen ements ts in Deep Reinforce cement

Ra Rainbow: : Co Comb mbining g Imp Improvemen ements ts in Deep Reinforce cement Learning Hessel et al. AAAI (2018) CS 330 Student Presentation Motivation Deep Q-Network successfully combines deep learning with reinforcement

487 views • 17 slides
Ma Matrix trix Elements ements Saul D. Cohen (for PNDME Collaboration) University of Washington

Ma Matrix trix Elements ements Saul D. Cohen (for PNDME Collaboration) University of Washington

Probing obing Te TeV Phys ysic ics thr hrou ough Lat atti tice ce Neu eutron tron-Dec Decay Ma Matrix trix Elements ements Saul D. Cohen (for PNDME Collaboration) University of Washington Saul D. Cohen Project-X Physics Study

520 views • 23 slides
Announc nouncem ements Homework 1 Grade released Have 1-week rebuttal period

Announc nouncem ements Homework 1 Grade released Have 1-week rebuttal period

Announc nouncem ements Homework 1 Grade released Have 1-week rebuttal period Submit re-grade request via GradeScope 1 Lecture 10 Protocols (Continued) Chapters 9 and 11 in KPS [lecture slides are adapted from previous

780 views • 19 slides
GRADUATI ADUATION ON REQUIR QUIREMENTS EMENTS FRESHMAN ENGLISH 2 SOPHOMORE ENGLISH 2

GRADUATI ADUATION ON REQUIR QUIREMENTS EMENTS FRESHMAN ENGLISH 2 SOPHOMORE ENGLISH 2

GRADUATI ADUATION ON REQUIR QUIREMENTS EMENTS FRESHMAN ENGLISH 2 SOPHOMORE ENGLISH 2 JUNIOR ENGLISH 2 SENIOR ENGLISH 2 SENIOR PROJECT 1 SPEECH ARTS 1 READING (1) (*required if proficiency level not met) WORLD HISTORY 2 U.S.

521 views • 22 slides
Incremental Analysis of Interference Among Aspects Interference Among Aspects Authors: Emilia

Incremental Analysis of Interference Among Aspects Interference Among Aspects Authors: Emilia

Incremental Analysis of Interference Among Aspects Interference Among Aspects Authors: Emilia Katz, Shmuel Katz Th T The Technion h i 1 Motivation Multiple aspects are often woven into the same p p system =&gt; Unintended

938 views • 42 slides
Algorithmic Aspects of Example: How to . . . Algorithmic Aspects of . . . Analysis, Prediction,

Algorithmic Aspects of Example: How to . . . Algorithmic Aspects of . . . Analysis, Prediction,

Need for Analysis, . . . Symmetry: a . . . Algorithmic Aspects of . . . Algorithmic Aspects of Example: How to . . . Algorithmic Aspects of . . . Analysis, Prediction, and Example: Selecting . . . Control in Science and Acknowledgements

599 views • 44 slides
Welcome t lcome to the Y the York St Impro rk St Improvements Project Open House ements Project

Welcome t lcome to the Y the York St Impro rk St Improvements Project Open House ements Project

YORK STREET PHASE 1 RK STREET PHASE 1, ST STATE HIGHW E HIGHWAY 22 224 4 TO EAST 78TH IMPROVEMENTS EAST 78TH IMPR EMENTS PR PROJECT OJECT August 2020 Fall 2021 Welcome t lcome to the Y the York St Impro rk St Improvements Project

295 views • 7 slides
Spintronics material aspects Spintronics material aspects Why to do not combine

Spintronics material aspects Spintronics material aspects Why to do not combine

Spintronics material aspects Spintronics material aspects Why to do not combine complementary properties and functionalities of semiconductor and magnetic material systems? hybrid structures -- overlayers or inclusions of

595 views • 57 slides
Ne New aspects in MD w aspects in MD regulations regulations in t in the R e Russian Feder

Ne New aspects in MD w aspects in MD regulations regulations in t in the R e Russian Feder

Ne New aspects in MD w aspects in MD regulations regulations in t in the R e Russian Feder ssian Federation ation Amiran Preobrazhenskiy PreobrazhenskiAV@roszdravnadzor.ru The Order of the Ministry of Health of the Russian Federation

218 views • 8 slides

More recommend