Home » évènement

Organisation de la 8ème école d’Hiver é-EGC « L’humain dans la boucle de l’exploration des données et de l’apprentissage »

Claudia Marinica (équipe DUKe) co-organise avec des collègues de l’IRISA, du LIG et du LIFAC la huitième école d’hiver francophone sur l’Extraction et la Gestion des Connaissances. Cette dernière aura lieu en présentiel à Blois les 24 et 25 janvier 2022.

Date de limite pré-inscription (CV à fournir) : 14/11/2021. Inscription en ligne.

L’école d’hiver sera suivie de la 22ème conférence EGC du 26 au 28 janvier.

Séminaire en Science Des Données avec Philippe BESSE (Université de Laval)

La prochaine séance du séminaire en science des données aura lieu le 16 décembre prochain à partir de 14h00. Nous accueillerons Philippe BESSE (Professeur émérite Université de Toulouse INSA et chercheur ObVIA Université de Laval).

Titre : « Statistique et Impacts Sociétaux de l’IA« 

Résumé : Suite à la publication du livre blanc pour une approche de l’IA basée sur l’excellence et la confiance, la Commission Européenne (CE) a publié de nombreuses propositions de textes réglementaires dont un Artificial Intelligence Act (AI Act) (2021) établissant des règles harmonisées sur l’intelligence artificielle (IA). Quels seront les conséquences et impacts de l’adoption à venir de ce texte du point de vue d’un mathématicien ou plutôt statisticien impliqué dans la conception de système d’intelligence artificielle (IA) à haut risque au sens de la CE et notamment en Santé? Quels outils et méthodes vont permettre de répondre à l’obligation d’une analyse rigoureuse et documentée des données traitées, des performances, robustesse, résilience de l’algorithme, de son explicabilité, des risques, pour les droits fondamentaux, de biais discriminatoires? Ces questions sont illustrées par un exemple numérique analogue à un score de crédit (cf. tutoriel) à la recherche d’un moins mauvais compromis entre toutes les contraintes. Nous concluons sur les avancées et limites de ce projet de règlement pour les systèmes d’IA à haut risque.

Lieu : Amphi du LS2N Faculté des Sciences et Techniques, Nantes

Pour des raisons d’organisation, l’inscription est obligatoire. Utilisez le lien suivant : https://www.math.sciences.univ-nantes.fr/SemDataSciences/

Pour plus de détails voir la page web du séminaire en Science des données

Atelier « Réalité virtuelle pour la psychiatrie : données comportementales et expérientielles » dans le cadre du projet projet « DataSanté: médecine personnalisée et données en grand nombre »

Dans le cadre des ateliers interdisciplinaires du projet « DataSanté: médecine personnalisée et données en grand nombre »

https://www.data-sante.fr/presentation/le-programme-datasante/

une présentation sera faite le mercredi 8 décembre, de 14h à 16h,au Centre François Viète (UFR Sciences et Techniques):

Titre: Réalité virtuelle pour la psychiatrie : données comportementales et expérientielles

Interventions de Yannick Prié (LS2N, Université de Nantes), Toinon Vigier (LS2N, Université de Nantes) et Samuel Buteau (INSERM – SPHERE, CHU de Nantes)

https://www.data-sante.fr/event/realite-virtuelle-et-psychiatrie/

Fatoumata Dama obtient le best student paper award à la conférence ICTAI 2021

Fatoumata Dama, doctorante au sein de l’équipe DUKe, a remporté l’un des 4 best student paper awards délivrés lors de la conférence ICTAI 2021The 33rd IEEE International Conference on Tools with Artificial Intelligence.

La publication récompensée est la suivante :

F. Dama and C. Sinoquet (2021) Prediction and Inference in a Partially Hidden Markov-switching Framework with Autoregression. Application to machinery health diagnosis. Accepted at the 33rd IEEE International Conference on Tools with Artificial Intelligence, ICTAI2021, 8 pages, 1-3 november

Retrouvez l’article sur HAL : https://hal.archives-ouvertes.fr/hal-03345260

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

Copyright : LS2N 2017 - Mentions Légales - 
 -