Home » Évènement

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 14h à Polytech.

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.

Lancement du Cluster GENDER de l’Université de Nantes

L’Université de Nantes lance le Cluster GENDER, un regroupement interdisciplinaire de recherche sur les études de genre en sciences humaines et sociales et sur les problématiques émergentes en santé et dans le numérique.

Porté par Pascale Kuntz (équipe DUKe du LS2N), le Cluster GENDER regroupe plus de cinquante scientifiques, issus de dix laboratoires de l’Université de Nantes de disciplines différentes. Cette communauté de recherche est fédérée par deux objectifs communs principaux : renforcer la visibilité et le développement des études de genre en sciences humaines et sociales et développer de nouvelles recherches interdisciplinaires et créatives autour des problématiques émergentes en santé et dans le numérique.

En savoir plus.

Soutenance de thèse de Jiajun PAN (équipe DUKe)

Jiajun Pan, doctorant au sein de l’équipe DUKe, soutiendra sa thèse intitulée « Formalisation et Apprentissage de Métriques Relationnelles »

vendredi 20 décembre 2019 à 14h, dans l’amphi du  bâtiment Ireste sur le site de Polytech.

Jury :

  • Directeur thèse :  LERAY Philippe
  • Co encadrant : LE CAPITAINE Hoël
  • Rapporteurs :  LESOT Marie Jeanne (LIP 6), HABRARD Amaury (U Saint Etienne)
  • Autres membres : CAPPONI Cécile (U Aix Marseille), DE LA HIGUERA Colin
Abstract:
Metric distance learning is a branch of re-presentation learning in machine learning algorithms. We summarize the development and current
situation of the current metric distance learning algorithm from the aspects of the flat database and non-flat database. For a series of
algorithms based on Mahalanobis distance for the flat database that fails to make full use of the intersection of three or more dimensions, we
propose a metric learning algorithm based on the submodular function. For the lack of metric learning algorithms for relational databases in
non-flat databases, we propose LSCS(Relational Link-strength Constraints Selection) for selecting constraints for metric learning algorithms with
side information and MRML (Multi-Relation Metric Learning) which sums the loss from relationship constraints and label constraints. Through the
design experiments and verification on the real database, the proposed algorithms are better than the current algorithms.
***
Résumé :

L’apprentissage à distance métrique est une branche de l’apprentissage par re-présentation des algorithmes d’apprentissage automatique. Nous résumons
le développement et la situation actuelle de l'algorithme actuel d'apprentissage à distance métrique à partir des aspects de la base de
données plate et de la base de données non plate. Pour une série d'algorithmes basés sur la distance de Mahalanobis pour la base de données
plate qui ne parvient pas à exploiter l'intersection de trois dimensions ou plus, nous proposons un algorithme d'apprentissage métrique basé sur la
fonction sous-modulaire. Pour le manque d’algorithmes d’apprentissage métrique pour les bases de données relationnelles dans des bases de
données non plates, nous proposons LSCS (sélection de contraintes relationnelles de force relationnelle) pour la sélection de contraintes
pour des algorithmes d’apprentissage métrique avec informations parallèles et MRML (Multi-Relation d'apprentissage métrique) qui somme la perte des
contraintes relationnelles et les contraintes d'etiquetage. Grâce aux expériences de conception et à la vérification sur la base de données
réelle, les algorithmes proposés sont meilleurs que les algorithmes actuels.

 

Séminaire invité équipe DUKe : Ryutaro Ichise (NII Tokyo)

L’équipe DUKe a le plaisir d’accueillir Ryutaro ICHISE, Maître de conférences au National Institute of Informatics (NII) de Tokyo.

Il animera un séminaire intitulé « Knowledge Graph: Construction and Usage »

lundi 9 décembre 2019 à 11h30 dans la salle D118, bâtiment Ireste, à Polytech.

Abstract:
« I will talk about our recent work on knowledge graph construction from various knowledge resources. I will present several methods including ontology matching approach, knowledge graph embedding approach and rule learning approach. I will also talk about an application example of knowledge graph for advanced driver assistant systems. »

Short Bio:
Ryutaro Ichise is an associate professor at the National Institute of Informatics and a visiting researcher at the National Institute of Advanced Industrial Science and Technology in Japan. He received his Ph.D. degree in computer science from Tokyo Institute of Technology, Tokyo, Japan, in 2000. From 2001 to 2002, he was a visiting scholar at Stanford University. His research interests include semantic web, machine learning, and data mining.

Copyright : LS2N 2017 - Mentions Légales - 
 -