Ce projet vise à analyser et optimiser des graphes de dépendances logiciels issus de dépôts de code source. Il permet de benchmarker des pipelines de traitement, d'évaluer des jeux de données et de mesurer les performances de différents outils d'analyse. Utilisé dans un cadre académique et de recherche, il facilite la compréhension des structures de code et l'identification de points d'amélioration.

Le projet gfe-driver est une extension du driver GFE développé par Teseo et étendu par Sortledton. Il sert à mesurer les performances des systèmes de bases de données graphiques dynamiques en termes de débit d'insertion et de temps de traitement des algorithmes d'analyse de graphes. Il supporte les systèmes HAL, Sortledton, Teseo et LiveGraph.

Ce projet permet l'analyse et le traitement de données à l'aide de graphes. Il a été développé lors d'un atelier à INRIA Rennes le 15/02/2024. Le projet est actuellement en cours de développement et une erreur d'installation des dépendances a été identifiée.

Ce projet propose une représentation compressée des graphes de développement logiciel, notamment pour l'archive mondiale des codes sources Software Heritage. Il permet d'analyser les relations entre les nœuds (dépôts, commits, fichiers) et de naviguer efficacement dans l'historique des projets open source. Les données sont structurées pour faciliter les recherches complexes et les traitements massifs.

Ce projet se concentre sur l'analyse et le traitement de données mathématiques, notamment des équations manuscrites. Il vise à identifier et filtrer les données aberrantes, comme les équations avec un nombre excessif de traits ou de points, afin d'optimiser la qualité des modèles graphiques générés. L'objectif est d'améliorer la précision des analyses en éliminant les outliers et en standardisant les données.

Pipelet3 est une solution dédiée à la réduction et à l'analyse de données issues d'images astronomiques. Elle permet de construire des graphes de dépendances entre étapes de traitement, de distribuer des tâches à des pools de travailleurs ajustables, et d'alimenter dynamiquement le pipeline avec les données disponibles. Le projet offre également un accès web aux résultats, un suivi des modifications du code de traitement avec recomputation automatique des étapes nécessaires, et une gestion des versions des résultats. Idéal pour les projets scientifiques nécessitant des traitements successifs et complexes sur de grandes quantités de fichiers.

Ce projet implémente un algorithme de segmentation d'images basé sur la construction d'un arbre de partitionnement binaire. Il permet de décomposer une image en régions homogènes, d'appliquer des opérations de segmentation ou d'élagage pour simplifier l'image, et d'exporter les résultats sous forme d'images ou de graphes. Utilisé principalement dans le domaine du traitement d'images pour l'analyse visuelle ou la compression.

Ce projet permet de reproduire les résultats d'une méthode de lissage de signaux complexes définis sur des graphes. Il s'appuie sur des techniques de Monte-Carlo pour traiter des données structurées en réseaux, facilitant ainsi l'analyse et la visualisation de signaux dans des contextes scientifiques ou industriels.

Le projet hal-dynamic-graph est une bibliothèque logicielle permettant la création et la manipulation de graphes dynamiques. Elle offre des fonctionnalités de traitement de données en temps réel, d'analyse de réseaux sociaux et de suivi de l'activité du réseau.

Pelote est une bibliothèque Python dédiée aux tâches de traitement de graphes, conçue pour compléter networkx en offrant des fonctionnalités de haut niveau. Elle permet de convertir des données tabulaires en graphes, de projeter des graphes bipartites, de filtrer et de sélectionner des nœuds et des arêtes, et bien plus encore.