(see also my publications)

  1. Densité temporelle des réseaux complexes: détection et visualisation de l'évolution de la structure ego-communautaire

    SĂ©minaire, Le Havre, 23 Mars 2017. Slides

  2. "Patterns in treeshelves"

    Jean-luc Baril, Sergey Kirgizov and Vincent Vajnovszki

    SĂ©minaire ALGO, Caen, 28 FĂ©vrier, 2017. Slides

    Séminaire Le2i "Combinatoire, Réseaux et Sciences des Données", Dijon, 14 Février, 2017. Slides

  3. Packing coloring and subsets preserving path distance

    Nicolas Gastineau, Benjamin Gras, Sergey Kirgizov, Mahmoud Omidvar

    Les 18es Journées Graphes et Algorithmes, Paris, 16-18 Novembre, 2016

  4. Temporal density of complex networks and ego-community dynamics (pdf, in english)

    Éric Leclercq, Sergey Kirgizov

    Annual Conference on Complex Systems (ECCS or CCS), Amsterdam, 19-22 September, 2016

  5. DensitĂ© temporelle des rĂ©seaux complexes et Évolution de la structure communautaire (pdf, in french)

    SĂ©minaire at ComplexNetworks team, Paris, 4 July, 2016

  6. Évolution de communautĂ©s Ă©gocentrĂ©es (pdf, in french)

    SĂ©minaire Le2i, Dijon 3 Mai 2016

  7. A la recherche des mini-publics : un problÚme de communautés, de singularités et de sémantique (pdf, in french)

    Eric Leclercq, Sergey Kirgizov and Maximilien Danisch. journée "Données Participatives et Sociales" (conférence Extraction et Gestion des Connaissances (EGC 2016)), Reims 19 janvier 2016

  8. A web application for event detection and exploratory data analysis for Twitter data

    Twitter at the European Elections 2014: International Perspectives on a Political Communication Tool, Dijon, 2015

  9. Graph-streaming pour l'étude de la dynamique des sphÚres médiatiques et politiques (pdf, in french)

    RĂ©union Projet CNRS PEPS MOMIS, Paris, 2015

    AssemblĂ©e gĂ©nĂ©rale du Laboratoire d’Electronique, Informatique et Image LE2I, UniversitĂ© de Bourgogne Dijon, 2015

  10. Evaluation de l’influence sur Twitter: Application au projet “Twitter aux Elections EuropĂ©ennes 2014” (pdf, in french)

    On propose une approche pour la mesure d’influence des candidats aux Ă©lections europĂ©ennes 2014 sur Twitter. Cette approche est basĂ©e sur la combinaison de differents markeurs d’influence (Retweet, Mention, Reponse) en utilisant la thĂ©orie des fonctions de croyance de Dempster-Shafer.

  11. Papersᔞ, Discussing board for scientific papers (pdf)

    26 Mars 2015, Conference SO Data 3 — #sodata on twitter

  12. Soutenance de ma thĂšse: Analyse empirique et modĂ©lisation de la dynamique de la topologie de l’Internet (pdf, in french)

    12 décembre 2014

    L’Internet est une structure complexe qui connecte environ trois milliards de personnes. Aucune carte officielle n'Ă©tant disponible, les chercheurs doivent mener des campagnes de mesure coĂ»teuses, et gĂ©rer le fait que les donnĂ©es obtenues peuvent ĂȘtre biaisĂ©es.

    De nombreux travaux ont Ă©tudiĂ© la topologie de l’Internet, mais peu d’entre eux se sont intĂ©ressĂ©s Ă  comment elle Ă©volue. Nous considĂ©rons la dynamique de la topologie de routage au niveau IP et proposons un modĂšle simple qui simule la dynamique d’une topologie de rĂ©seau rĂ©el.

    En Ă©tudiant les rĂ©sultats de la simulation, nous montrons que ce modĂšle captures les invariantes observĂ©s. De plus, l’analyse des rĂ©sultats de simulations de diffĂ©rents types de rĂ©seaux nous permet de trouver des caractĂ©ristiques structurelles qui ont le plus grand impact sur ​la dynamique de la topologie.

    Nous trouvons, notamment, que le nombre de routes entre deux ordinateurs, qui correspond au plus courts chemins dans le modĂšle, joue un rĂŽle important dans la dynamique. Nous Ă©tudions donc la taille du sous-graphe des plus courts chemins entre deux nƓuds.

    Nous sommes aussi intĂ©ressĂ©s par les processus sous-jacents qui causent les dynamiques observĂ©es. Nous introduisons une mĂ©thode non-classique de l’estimation des paramĂštres de un processus stochastique et nous appliquons cette mĂ©thode pour les mesures modĂ©lisĂ©es et rĂ©elles afin de caractĂ©riser le taux de l'Ă©volution de la topologie. Nous montrons aussi que la dynamique de rĂ©seau est une dynamique non-uniforme: les parties diffĂ©rentes du rĂ©seau peuvent avoir diffĂ©rentes vitesses d'Ă©volution.

  13. Analyse empirique et modĂ©lisation de la dynamique de la topologie de l’Internet (pdf, in french)

    Overview of my PhD thesis, seminar in Le2i lab, Dijon, 6 November 2014

    Plan:

    1. Introduction

      • rĂ©seaux complexes

      • topologie de l’Internet

      • dynamique de la topologie

    2. Mesures égo-centrée

    3. ModĂšle

    4. Caractérisation de la dynamique

    5. Sous-graphe des plus courts chemins

    6. Dynamique réelle et dynamique observée

    7. Mes projets annexes

  14. On the complexity of turning a graph into the analogue of a clique (pdf, in english)

    An orientation of an undirected graph G has weak diameter k if, for every pair {u, v} of vertices of G, there is a directed path with length at most k joining u and v in either direction. We show that deciding whether an undirected graph admits an orientation with weak diameter k is NP-complete for every k ≄ 2. This result implies the NP-completeness of deciding whether an undirected graph can be turned into the analogue of a clique for proper colouring of several augmented kinds of graphs.

  15. Internet topology dynamics in ten minutes (pdf, in english)

    Masterclass-discussion with Vint Cerf.

    A 10 minutes of introduction into Internet Topology Dynaimcs. In this presentation, I answer the following questions:

    1. What is the Internet Topology Dynamics?

    2. Why it is so important to study such dynamics?

    3. How can we see the dynaimcs?

    4. Which methods we use to study the dynaimcs?

  16. Distribution multimodale de la taille du sous-graphe des plus courts chemins dans un graphe aléatoire (pdf, slides in french)

    ConsidĂ©rons un graphe alĂ©atoire G (n,p) de n sommets. Chacune des n(n-1)/2 arĂȘtes est prĂ©sente avec probabilitĂ© p indĂ©pendamment du statut des autres arĂȘtes. Fixons p et notons SPS (u,v) le sous-graphe de tous les plus courts chemins entre deux sommets u et v. Notons S le nombre de sommets dans SPS.

    I. Blondel et al. nous ont donné une approximation de la distribution des distances internodaux En utilisant cette distribution nous présentons une approximation du nombre moyen de sommets dans SPS(u, v), sachant que la distance entre $u$ et $v$ est connue.

    II. Nous montrons que S suit loi multimodale. Par exemple, pour un _ Δ > 0_ fixĂ©, S est Ă©gal Ă  2 (avec probabilitĂ© p) ou tend vers npÂČ (avec probabilitĂ© 1-p) quand n tend vers l’infini lorsque p > Δ. Autrement dit, il y a un intervalle interdit [o, O], de telle sorte que S est presque toujours infĂ©rieur Ă  o ou supĂ©rieur Ă  O.

  17. Dynamique de la topologie de l’internet : impact de la frĂ©quence de mesure sur les observations (pdf, slides in french)

    Many works have studied the Internet topology, but few have investigated the question of how it evolves over time. This paper focuses on the Internet routing IP-level topology dynamics, and in particular on the impact of the measurement frequency on the observed dynamics. For this end, we study both data from periodic measurements of routing trees from a single monitor to a fixed destination set, and the behavior of a model of the topology dynamics that we previously introduced. Previous analyses showed that after an initial fast increase, the number of new observed links sustains a linear growth for extended periods of time. The slope of this linear part can be considered as an indicator of the speed of the observed dynamics. We show that this speed depends intrinsically on the measurement frequency and that it is very difficult, if not impossible, to quantify the actual speed of the internet topology evolution.

  18. Vers une modélisation réaliste de la dynamique de la topologie de routage au niveau IP (pdf)

    De nombreux travaux ont Ă©tudiĂ© la topologie de l’Internet, mais peu d’entre eux se sont intĂ©ressĂ©s Ă  comment elle Ă©volue. Nous Ă©tudions la dynamique de la topologie de routage au niveau IP et proposons une premiĂšre Ă©tape vers une modĂ©lisation rĂ©aliste de cette dynamique. Nous Ă©tudions les mesures pĂ©riodiques des arbres de routage Ă  partir d’un moniteur vers un ensemble de destinations et nous observons certaines propriĂ©tĂ©s invariantes de la dynamique de leur topologie. Ensuite nous proposons un modĂšle simple qui simule la dynamique d’une topologie de rĂ©seau rĂ©el. En Ă©tudiant les rĂ©sultats de la simulation, nous montrons que ce modĂšle captures les invariantes observĂ©s. De plus, l’analyse des rĂ©sultats de simulations de diffĂ©rents types de rĂ©seaux nous permet de trouver des caractĂ©ristiques structurelles qui ont le plus grand impact sur ​la dynamique de la topologie.