Home » évènement

Séminaire nantais inter-établissements en Science des Données : « Eléments de réflexion sur l’évaluation des stratégies de contrôle épidémique: du confinement à la vaccination » par Pascal CREPEY (Professeur à l’EHESP Rennes)

La prochaine séance du séminaire nantais inter-établissements en Science des Données aura lieu

jeudi 17 juin 2021 à 14h00 via Zoom.

Pascal Crépey (Professeur à l’EHESP Rennes) fera une présentation intitulée « Eléments de réflexion sur l’évaluation des stratégies de contrôle épidémique : du confinement à la vaccination ».

Programme et inscription à l’adresse suivante: https://www.math.sciences.univ-nantes.fr/~bellanger/SeminaireDataScience.html

Soutenance de thèse de Ziwei XU (équipe DUKe)

Ziwei XU, doctorante au sein de l’équipe DUKe, soutiendra sa thèse intitulée « Améliorer l’LDA pour l’apprentissage de l’ontologie » / « Enhancing LDA for Ontology Learning »

jeudi 3 juin 2021 à 9h à Polytech. Streaming sur Zoom : https://univ-nantes-fr.zoom.us/j/96043899700?pwd=K24yd0pJeUxRK21HN0hPR0lnZGx3Zz09
(Meeting ID: 960 4389 9700 / Passcode: 783794)

Jury :
– Directeur de thèse : Fabrice GUILLET Professeur des universités, Polytech Nantes, Université de Nantes
– Co-dir. de thèse : Mounira HARZALLAH Maitre de conférences-HdR, IUT QLIO, Université de Nantes
– Rapporteurs : Hedi KARRAY Maitre de conférences-HdR, INP-ENIT, Tarbes, Université de Toulouse ; Julien VELCIN Professeur des universités, Université de Lyon 2
– Examinateurs : Hedi KARRAY Maitre de conférences-HdR, INP-ENIT, Tarbes, Université de Toulouse ; Julien VELCIN Professeur des universités, Université de Lyon 2 ; Giuseppe BERIO Professeur des universités, Université de Bretagne sud, Vannes ; Ryutaro ICHISE Associate Professor, National Institute of Informatics, Tokyo.

Résumé : L’information de masse pose de nombreux défis à l’interprétation humaine. L’apprentissage d’une ontologie aide (semi-) automatiquement les humains à comprendre et à organiser les données sans difficulté. Latent Dirichlet Allocation (LDA) est une méthode probabiliste typique pour aider les machines à interpréter des documents textuels. Cette thèse vise à améliorer l’utilité de la LDA pour conceptualiser des termes en vue de l’apprentissage d’une ontologie, où des termes similaires sont regroupés en fonction des concepts de base prédéfinis. Nous avons exploré le cadre classique du regroupement de termes et étudié les impacts de regroupement des techniques de représentation des termes. En comparaison, nous avons proposé la stratégie de mise en grappes sur les LDA, où les techniques d’intégration des connaissances préalables sont appliquées pour semi-superviser LDA pour les grappes les plus satisfaisantes. De plus, nous avons construit la structure taxonomique de l’ontologie, en appliquant en interne les cadres de sous-catégorisation sur les phrases nominatives et en bénéficiant en externe des bases de connaissances. Les résultats de l’expérience ont montré que notre stratégie de regroupement basée sur les LDA a été plus performante que la majorité des travaux de regroupement dans le cadre classique. Notre approche optimale d’intégration des connaissances préalables a dépassé les performances des LDA de base et seeded LDA, mais a pris du retard par rapport aux z-label LDA. Cette thèse suggère que le regroupement sur les LDA pourrait contribuer à anticiper les conceptualisations des termes pour l’apprentissage de l’ontologie.

Mots-clés : apprentissage de l’ontologie, LDA, regroupement de termes, base de connaissances, ancrage des connaissances préalables


Abstract: The mass information nowadays brings many challenges to human interpretation. Ontology is used to represent knowledge by giving information a well-defined meaning. Learning an ontology (semi-)automatically supports humans to understand and organize data without difficulty. Latent Dirichlet Allocation(LDA), is a typical probabilistic based method to help machines interpret text documents. This dissertation aims to enhance LDA’s utilities of conceptualizing terms towards ontology learning, where similar terms are clustered to the predefined core concepts. We explored the classic workflow of term clustering and studied the clustering impacts of the terms representation techniques. Comparatively, we proposed the LDA based clustering strategy, where the prior knowledge embedding techniques are applied to semi-supervise the LDA for the more satisfying clusters. In addition, we built up the taxonomic structure of the ontology, by internally applying the subcategorization frames over noun phrases and externally benefitting from the knowledge bases. The experiment results showed that our proposed LDA based clustering strategy outperformed the majority of the clustering works in the classic workflow. Our optimal prior knowledge embedding approach exceeded the performance of basic LDA and Seeded LDA but dropped behind the Z-label LDA. This dissertation suggests that the LDA based clustering strategy could contribute to the anticipating term conceptualizations for ontology learning.

Keywords: ontology learning, LDA, term clustering, knowledge base, prior knowledge embedding

Séminaire PAGE | Séance 2 « Mondes numériques et réalités virtuelles »

La deuxième séance du séminaire PAGE se tiendra le jeudi 10 décembre 2020 de 14h à 16h en visioconférence.

Modératrice : Zeineb Touati (Université de Nantes)

  • Pascale Kuntz (Polytech, Université de Nantes) et Jessica Pidoux (Ecole Polytechnique Fédérale de Lausanne) : « Les représentations des corps féminins dans les applications de rencontres affectives »
  • Elisa Sarda (Université de Nantes) : « Le sexisme dans les jeux vidéo »

Pour s’inscrire, c’est ici.

Soutenance de thèse de Vincent Raveneau (équipe DUKe)

Vincent Raveneau, doctorant au sein de l’équipe DUKe, soutiendra sa thèse intitulée « Interaction en Analyse Visuelle Progressive. Une application à la fouille progressive de motifs séquentiels » / « Interaction in Progressive Visual Analytics. An application to progressive sequential pattern mining« 

mercredi 4 novembre 2020 à 15h30 à Polytech. Diffusion en direct sur Youtube : https://vraveneau.github.io/

Jury :
– Directeur thèse : Yannick Prié
– Co- encadrant : Julien Blanchard
– Rapporteurs : Adam Perer (Carengie Mellon University), Nicolas Labroche (U Tours/LIFAT)
– Autres membres : Béatrice Daille, Jean Daniel (Inria Saclay)

Résumé : Le paradigme de Progressive Visual Analytics (PVA) a été proposé en réponse aux difficultés rencontrées par les Visual Analytics lors du traitement de données massives ou de l’utilisation d’algorithmes longs, par l’usage de résultats intermédiaires et par l’interaction entre humains et algorithmes en cours d’exécution. Nous nous intéressons d’abord à la notion d’“interaction”, mal définie en PVA, dans le but d’établir une vision structurée de ce qu’est l’interaction avec un algorithme en PVA. Nous nous intéressons ensuite à la conception et à l’implémentation d’un système et d’un algorithme progressif de fouille de motifs séquentiels, qui permettent d’explorer à la fois les motifs et les données sous-jacentes, en nous concentrant sur les interactions entre analyste et algorithme. Nos travaux ouvrent des perspectives concernant 1/ l’assistance de l’analyste dans ses interactions avec un algorithme dans un contexte de PVA; 2/ une exploration poussée des interactions en PVA; 3/ la création d’algorithmes native- ment progressifs, ayant la progressivité et les
interactions au cœur de leur conception.

Mots-clés : Analyse Visuelle Progressive, Fouille Progressive de Motifs, Fouille de Motifs Séquentiels, Interaction, Données Séquentielles


Abstract: The Progressive Visual Analytics (PVA) paradigm has been proposed to alleviate difficulties of Visual Analytics when dealing with large datasets or time-consuming algorithms, by using intermediate results and interactions between the human and the running algorithm. Our work is twofold. First, by considering that the notion of “interaction” was not well defined for PVA, we focused on providing a structured vision of what in- teracting with an algorithm in PVA means. Second, we focused on the design and implementation of a progressive sequential pattern mining algorithm and system, allowing to explore both the patterns and the underlying data, with a focus on the analyst/algorithm interactions. The perspectives opened by our work deal with 1/ assisting analysts in their interactions with algorithm in PVA setting s; 2/ further exploring interaction in PVA ; 3/ creating natively progressive algorithms, for which progressiveness and interaction are at the core of the design.

Keywords: Progressive Visual Analytics, Progressive Pattern Mining, Sequential Pattern Mining, Interaction, Sequential Data

Lancement de la Revue Ouverte d’Intelligence Artificielle (ROIA) : la rédactrice en chef est Pascale Kuntz

Pendant plus de 30 ans, une revue -appelée Revue d’Intelligence Artificielle (RIA)- a permis de publier en français des articles couvant de nombreux champs scientifiques de l’Intelligence Artificielle (IA). Son histoire témoigne des évolutions de l’IA, de ses interactions avec d’autres disciplines, et aussi de la variété des applications de l’IA dans le milieu socio-économique. À l’origine RIA était hébergée par l’éditeur Hermès, puis suite à une vente, par les éditions Lavoisier. En 2019, une revente a conduit RIA à passer sous le contrôle de l’IIETA (International Information and Engineering Technology) basée à Edmonton au Canada. Les conditions de cette revente[1] ont conduit le comité de rédaction, attaché tant à la publication en langue française qu’à un processus rigoureux d’évaluation des articles sans transaction financière, à démissionner. S’est alors posée la question de la pertinence de l’existence d’une revue francophone de qualité. Sans contradiction avec les diffusions en anglais qui accompagnent aujourd’hui la visibilité internationale de la recherche en IA, deux arguments majeurs se sont ajoutés à la longévité de la revue RIA pour montrer l’intérêt d’un périodique en langue française dans ce domaine :

1/ La vitalité de la recherche française dans les différents champs de l’IA

2/  Le développement de l’IA dans l’espace francophone.

Le 1er numéro de la revue est sorti le 14 septembre. Retrouvez le préambule en ligne.

Page web de la Revue : https://roia.centre-mersenne.org/


[1] https://www.franceculture.fr/medias/la-revue-francaise-de-reference-en-matiere-dintelligence-artificielle-est-elle-passee-sous-controle

Soutenance de thèse de Dimitri ANTAKLY (équipes DUKe / AeLoS)

Dimitri Antakly, doctorant au sein des équipes DUKe et AeLoS, soutiendra sa thèse intitulée « Apprentissage et Vérification Statistique pour la Sécurité » / « Machine Learning and Statistical Verification for Security »

jeudi 2 juillet 2020 à 10h, sur le site de la FST au bâtiment 34 et en visio.

Jury :
– Directeur thèse : Leray Philippe
– Co-encadrant : Delahaye Benoit
– Rapporteurs : Schiex Thomas (INRAE Toulouse), Tabia Karim (Université d’Artois)
– Autres membres : Rouveirol Céline (Université Paris 13), Bertrand Nathalie (Inria Rennes)

Résumé : Les principaux objectifs poursuivis au cours de cette thèse sont en premier lieu de pouvoir combiner les avantages de l’apprentissage graphique probabiliste de modèles et de la vérification formelle afin de pouvoir construire une nouvelle stratégie pour les évaluations de sécurité. D’autre part, il s’agit d’évaluer la sécurité d’un système réel donné. Par conséquent, nous proposons une approche où un « Recursive Timescale Graphical Event Model (RTGEM) » appris d’après un flux d’évènements est considéré comme représentatif du système sous-jacent. Ce modèle est ensuite utilisé pour vérifier une propriété de sécurité. Si la propriété n’est pas vérifiée, nous proposons une méthodologie de
recherche afin de trouver un autre modèle qui la vérifiera. Nous analysons et justifions les différentes techniques utilisées dans notre approche et nous adaptons une mesure de distance entre Graphical Event Models. La mesure de distance entre le modèle appris et le proximal secure model trouvé nous donne un aperçu d’à quel point notre système réel est loin de vérifier la propriété donnée. Dans un souci d’exhaustivité, nous proposons des séries d’expériences sur des données de synthèse nous permettant de fournir des preuves
expérimentales que nous pouvons atteindre les objectifs visés.

Mots-clés : Apprentissage de modèles, Vérification formelle, Statistical Model Checking, Recursive Timescale Graphical Event Models, Flux d’événements, Evaluation de sécurité.

*****************

Abstract: The main objective of this thesis is to combine the advantages of probabilistic graphical model learning and formal verification in order to build a novel strategy for security assessments. The second objective is to assess the security of a given system by verifying whether it satisfies given properties and, if not, how far is it from satisfying them. We are interested in performing formal verification of this system based on event sequences collected from its execution. Consequently, we propose a model-based approach where a Recursive Timescale Graphical Event Model (RTGEM), learned from the event streams, is considered to be representative of the underlying system. This model is then used to check a security property. If the property is not verified, we propose a search methodology to find another close model that satisfies it. We discuss and justify the different techniques we use in our approach and we adapt a distance measure between Graphical Event Models. The distance measure between the learned « fittest » model and the found proximal secure model gives an insight on how far our real system is from verifying the given property. For the sake of completeness, we propose series of experiments on synthetic data allowing to provide experimental evidence that we can attain the goals.

Keywords: Model-based learning, Formal verification, Statistical Model Checking, Recursive Timescale Graphical Event Models (RTGEMs), Event streams, Security assessments.

Conférence RJCIA – PFIA 2020 en webinaires

Les dix-huitièmes Rencontres des Jeunes Chercheur.ses en Intelligence Artificielle (RJCIA 2020) se dérouleront les deux derniers jours de l’édition 2020 de la PFIA (Plate-Forme Intelligence Artificielle), qui aura lieu du 29 juin au 3 juillet à l’ESEO à Angers.

Voir le programme complet.

Notons la participation de plusieurs membres du labo durant les sessions :

-Méthode d’analyse sémantique d’images combinant apprentissage profond et relations structurelles par appariement de graphes Jérémy Chopin, Jean-Baptiste Fasquel, Harold Mouchère, Isabelle Bloch et Rozenn Dahyot

-Génération automatique de graphe pour modéliser les singularités de trajectoires spatiales (article court) Hippolyte Dubois, Patrick Le Callet et Antoine Coutrot

-Tour d’horizon autour de l’explicabilité des modèles profonds Gaëlle Jouis, Harold Mouchère, Fabien Picarougne et Alexandre Hardouin

-Apprentissage profond appliqué à la classification d’images microscopiques embryonnaires Tristan Gomez, Harold Mouchère, Thomas Fréour et Magalie Feyeux

Nantes Machine Learning MeetUp avec les gagnants du F’AI’R Education Hackathon

Lors de la finale du F’AI’R Education Hackathon organisée à Paris par l’Ambassade du Royaume-Uni en France les 25 et 26 février 2020, l’équipe « Next Wave Learning » composée de Mohamed Reda Marzouk, Sofiane Elguendouze et Timothée Poulain, stagiaires au LS2N a remporté la 3ème place ainsi que le prix “Wow”.
Le Hackathon reposait sur des données ouvertes produites dans le cadre du projet européen X5-GON.

Lors du meetup en ligne qui aura lieu lundi 8 juin de 19h à 21h, le challenge sera présenté, ainsi que les solutions (gagnantes) nantaises.

Parmi les speakers, notons la présence de Walid BEN ROMDHANE, ingénieur contractuel au sein des équipes DUKe et TALN)

L’événement aura lieu .

Détails et inscription : https://www.meetup.com/fr-FR/Nantes-Machine-Learning-Meetup/events/269895104/

Participation de plusieurs équipes du labo au hackhaton européen EU vs Virus

Le hackathon en ligne organisé par la Commission européenne EU vs virus pour développer des solutions innovantes en lien avec les défis posés par le Coronavirus a eu lieu du 24 au 26 avril 2020.

–> Lire l’article du RFI OIC.

Le LS2N a répondu présent et proposé 2 projets :

  • CorriDoor : sas de désinfection pédagogique et ludique pour les écoles

Participants : Patrick Le Callet (IPI), Mona Abid (IPI), Huppolyte Dubois (IPI), Benoît Furet (RoMaS), Francky Trichet (DUKe)

  • ResearchTV : plate-forme de partage des recherches de la communauté scientifique sur support audiovisuelParticipant : Ali Ak (IPI)

Brain & Breakfast #4 – Intelligence artificielle : La machine est-elle plus intelligente que l’homme ?

Rendez-vous le vendredi 20 mars 2020 à partir de 9h15 à la Cafet’Sciences, pour le dernier Brain & Breakfast, petit déjeuner scientifique, de l’année universitaire sur le thème de l’intelligence artificielle.

L’intelligence artificielle peut-elle être… intelligente ?

Aujourd’hui, l’intelligence artificielle est annoncée partout : elle permet aux voitures d’être autonomes, aux logiciels de battre les humains à la plupart des jeux, aux médecins de mieux diagnostiquer. Les villes deviennent intelligentes, nos maisons sont connectées, les entreprises discutent avec nous par l’intermédiaire de robots…

Autour de la Chaire Unesco en Ressources Educatives Libres de l’Université de Nantes nous étudions les interactions entre intelligence artificielle et éducation. Celles-ci s’analysent dans les deux sens :

  • Peut-on utiliser l’IA pour améliorer l’éducation ? C’est par exemple ce que nous essayons de faire au sein du projet européen X5-GON qui cherche à analyser automatiquement les ressources éducatives libres du monde entier, quels que soient les thèmes, les supports, les langues, les domaines et les cultures. A partir de cette analyse il est ensuite possible de recommander un cours, d’organiser les cours par difficulté croissante et de proposer des chemins d’apprentissage.
  • Peut-on (et doit-on) se préparer à un monde dans lequel de nombreuses décisions seront prises par l’IA ? Et en premier lieu, comment préparer les enseignants ? Nous avons travaillé au niveau national dans le contexte de Class’Code, pour la formation des enseignants, et au niveau international avec l’Unesco, pour préparer une série de recommandations.

Intervenants :

  • Frédérique Krupa est Professeure à l’Ecole du Design de Nantes, Directrice du Human Machine Design Lab et s’intéresse à nos interactions avec l’IA
  • Victor Connes est Doctorant au LS2N et son travail, dans le cadre du projet européen X5-GON, consiste à construire des modèles à partir desquels il est possible d’inférer de nouvelles connaissances.
  • Bastien Masse est coordinateur de la Chaire Education Ouverte et Intelligence Artificielle et coordinateur national de l’association Class’Code qui vient juste de sortir le MOOC IAI.
  • Colin de la Higuera est titulaire de la Chaire Unesco en REL.

Plus d’infos.

Copyright : LS2N 2017 - Mentions Légales - 
 -