Portrait de Reihaneh Rabbany

Reihaneh Rabbany

Membre académique principal

reihaneh.rabbany@mila.quebec

Chaire en IA Canada-CIFAR

Professeure adjointe, McGill University, École d'informatique

Sujets de recherche

Apprentissage de représentations

Apprentissage sur graphes

Exploration des données

Réseaux de neurones en graphes

Traitement du langage naturel

Biographie

Reihaneh Rabbany est professeure adjointe à l'École d'informatique de l'Université McGill. Elle est membre du corps professoral de Mila – Institut québécois d’intelligence artificielle et titulaire d'une chaire en IA Canada-CIFAR. Elle est également membre du corps enseignant du Centre pour l’étude de la citoyenneté démocratique de McGill. Avant de se joindre à l’Université McGill, elle a été boursière postdoctorale à la School of Computer Science de l'Université Carnegie Mellon. Elle a obtenu un doctorat à l’Université de l’Alberta, au Département d'informatique. Elle dirige le laboratoire de données complexes, dont les recherches se situent à l'intersection de la science des réseaux, de l'exploration des données et de l'apprentissage automatique, et se concentrent sur l'analyse des données interconnectées du monde réel et sur les applications sociales.

Étudiants actuels

Maîtrise recherche - McGill

Superviseur⋅e principal⋅e :

Nicolas Le Roux

Doctorat - McGill

Co-superviseur⋅e :

Adriana Romero Soriano

Julia Gastinger

Collaborateur·rice de recherche - University of Mannheim

Superviseur⋅e principal⋅e :

Guillaume Rabusseau

Doctorat - McGill

Co-superviseur⋅e :

Guillaume Rabusseau

Elahe Kooshafar

Maîtrise recherche - McGill

Victor Livernoche

Doctorat - McGill

Shahrad Mohammadzadeh

Maîtrise recherche - McGill

Co-superviseur⋅e :

Pratheeksha Nair

Doctorat - McGill

Sahar Omidi Shayegan

Maîtrise recherche - McGill

Soroush Omranpour

Maîtrise recherche - McGill

Co-superviseur⋅e :

Guillaume Rabusseau

Doctorat - McGill

kellin.pelrine@mila.quebec

Collaborateur·rice de recherche

Farimah Poursafaei

Postdoctorat - McGill

Maximilian Puelma Touzel

Collaborateur·rice de recherche

Razieh Razieh Shirzadkhani

Collaborateur·rice de recherche

Superviseur⋅e principal⋅e :

Guillaume Rabusseau

Alexandre St-Aubin

Stagiaire de recherche - McGill

Maîtrise recherche - McGill

Camille Thibault

Maîtrise recherche - UdeM

Superviseur⋅e principal⋅e :

Jean-François Godbout

Jacob-Junqi Tian

Collaborateur·rice de recherche - McGill

jacob.mila.handle@tianshome.com

Collaborateur·rice de recherche - UdeM

Superviseur⋅e principal⋅e :

Guillaume Rabusseau

Doctorat - McGill

Maîtrise recherche - UdeM

Superviseur⋅e principal⋅e :

Jean-François Godbout

Billets de blogue

Flight-SEIR: Incorporating Flight Data to Improve Epidemiological Modelling and Disease Outbreak Prevention

3 août 2021

Flight-SEIR : incorporer les données de vol pour améliorer la modélisation épidémiologique et la prévention d’éclosions de maladies infectieuses

par

Reihaneh Rabbany

Publications

PROCLIVITY PATTERNS IN ATTRIBUTED GRAPHS

Reihaneh Rabbany

Dhivya Eswaran

Christos Faloutsos

Artur Dubrawski

Many real world applications include information on both attributes of individual entities as well as relations between them, while there ex… (voir plus)ists an interplay between these attributes and relations. For example, in a typical social network, the similarity of individuals’ characteristics motivates them to form relations, a.k.a. social selection; whereas the characteristics of individuals may be affected by the characteristics of their relations, a.k.a. social influence. We can measure proclivity in networks by quantifying the correlation of nodal attributes and the structure [1]. Here, we are interested in a more fundamental study, to extend the basic statistics defined for graphs and draw parallels for the attributed graphs. More formally, an attributed graph is denoted by (A,X); where An×n is the adjacency matrix and encodes the relationships between the n nodes, and Xn×k is the attributes matrix –each row shows the feature vector of the corresponding node. Degree of a node encodes the number of its neighbors, computed as ki = ∑ j Aij . We can extend this notion to networks with binary attributes to the number of neighbors which share a particular attribute x, i.e. ki(x) = ∑ j Aijδ(Xj , x); where δ(Xj , x) = 1 iff node j has attribute x. Similar to the simple graphs, where the degree distribution is studied and showed to be heavy tail, here we can look at: 1) the degree distributions per attribute, 2) the joint probability distribution of any pair of attributes. Moreover, if we assume A(x1, x2) is the induced subgraph (or masked matrix of edges) with endpoints of values (x1, x2), i.e., A(x1, x2) = Aijδ(Xi, x1)δ(Xj , x2), then we can study and compare these distributions for the induced subgraph per each pair of attribute values. For example, Figure 1 shows the same general trend in the distribution of the original graph and the three possible induced subgraph.