Le modèle structural agnostique (SAM) est une méthode de découverte de causalité. Il utilise des indépendances conditionnelles et des asymétries de distribution pour trouver la structure causale sous-jacente à partir de données observationnelles. L'approche repose sur un jeu entre différents joueurs estimant chaque distribution de variable conditionnellement aux autres sous forme de réseau de neurones et un adversaire visant à discriminer les données générées contre les originales. L' critère d'apprentissage de SAM combine l'estimation de distribution, des contraintes de parcimonie et d'acyclicité pour optimiser la structure et les paramètres du graphe grâce à la descente de gradient stochastique.

S-GCN est un outil d'intelligence artificielle conçu pour évaluer et prédire la qualité de modèles 3D de protéines. Il utilise des réseaux de convolution graphiques sphériques pour analyser les structures moléculaires et générer des scores de qualité locaux et globaux. Basé sur des données issues de défis comme CASP, il aide les chercheurs en biologie structurale à identifier les modèles les plus fiables et à améliorer la précision des prédictions.

Ce projet permet de vérifier si un message respecte une structure prédéfinie sous forme de graphe. Il analyse les données textuelles pour identifier des motifs spécifiques et s'assurer qu'elles correspondent aux règles définies. Utilisé pour valider des formats de messages complexes ou des langages structurés, il est particulièrement adapté aux systèmes nécessitant une validation rigoureuse des entrées.

Ce projet pédagogique vise à enseigner et expérimenter les structures de données pour représenter des graphes. Il permet aux utilisateurs de comprendre l'impact du choix de la structure sur la complexité des opérations graphiques. Les travaux pratiques incluent la prise en main de l'environnement, l'introduction aux concepts, l'implantation concrète et la rédaction d'un rapport synthétique.

Ce projet vise à faciliter la standardisation et l'interopérabilité des graphes nommés dans le domaine de la science des données et du web sémantique. Il permet aux utilisateurs de collaborer sur la création et la gestion de vocabulaires contrôlés, d'ontologies et de schémas de données pour améliorer la cohérence et la réutilisabilité des informations structurées.

Outil dédié à l'analyse génomique utilisant des graphes de variations pour le génotypage et le mappage de données génétiques. Permet de représenter et manipuler des structures de données complexes issues de séquençage haut débit. Utilisé principalement en recherche biomédicale et en génétique des populations pour étudier les variations génétiques et leurs impacts.

GoGraphML est une bibliothèque Go dédiée à la création, la manipulation et la sérialisation de graphes au format GraphML. Elle permet d'associer des données fonctionnelles à chaque élément d'un graphe (nœuds, arêtes, graphes) pour enrichir les modèles de réseaux complexes. Utilisée pour représenter des structures directionnelles ou non, elle facilite l'analyse de données relationnelles comme les réseaux neuronaux ou les systèmes interconnectés.

Ce projet permet d'explorer et d'analyser des données cinématographiques en utilisant des technologies sémantiques. Il offre une interface pour visualiser des graphes de connaissances, interroger des bases de données RDF via SPARQL, et structurer des schémas de données. L'application web permet de consulter des informations sur des films et de générer des requêtes personnalisées pour extraire des données spécifiques depuis un graphe sémantique.

Musette est une bibliothèque R dédiée à l'analyse avancée de réseaux et de graphes. Elle permet de modéliser des relations complexes entre entités, d'optimiser des scores de performance et de visualiser des structures de données sous forme de graphes interactifs. Utilisée pour des études statistiques ou des recherches opérationnelles, elle facilite la détection de communautés, l'évaluation de chemins critiques et l'exploration de données multidimensionnelles.

ELSA est une bibliothèque R dédiée à la modélisation et à l'analyse de graphes pondérés. Elle permet de générer des pools de données perturbées, d'apprendre des composants de modèles arborescents à partir de graphes, et de combiner ces composants pour créer des modèles composites optimisés. Utilisée pour l'exploration de réseaux complexes, elle facilite la détection de structures significatives et l'agrégation de résultats.