A3 : Apprentissage Artificiel et Applications

Responsable : Céline Rouveirol

L’Apprentissage Artificiel est une discipline scientifique qui s’intéresse à la conception et au développement d’algorithmes qui améliorent leur efficacité par l’expérience (observations, étiquetées ou non). Elle emprunte des techniques et des connaissances théoriques aux domaines de l’intelligence artificielle, de la logique, de la statistique, pour former un domaine très complexe. L’apprentissage artificiel est maintenant un domaine mature de l’informatique, avec des modèles théoriques et des résultats solides, ainsi qu’un large éventail d’applications, à la fois dans l’industrie et dans de nombreuse disciplines de recherche. C’est un domaine également devenu très populaire auprès du grand public, grâce aux succès de l’apprentissage profond dans les algorithmes de jeu (Échecs, Go..) et grâce à l’émergence des Sciences des données pour le traitement et l’analyse intelligente des jeux de données massifs.

Notre groupe couvre un éventail très large de thèmes, depuis l’apprentissage statistique à la fouille de graphes ou à l’apprentissage par renforcement. Ceci nous permet d’être assez réactif pour affronter les défis que proposent les nouveaux champs d’application de l’apprentissage artificiel et nous permet également d’étudier des combinaisons innovantes de méthodes d’apprentissage pour affronter les problèmes complexes.

L’équipe A3 a été créée en 2005 avec l’objectif de regrouper les études menée en apprentissage artificiel au sein du LIPN dans une groupe fortement cohérent, ayant une grande visibilité nationale et internationale. La structure du groupe a évoluée au cours des ans et est aujourd’hui structurée autour de 4 axes de recherche pour lesquels le groupe est largement reconnu:

Dans chacun de ces axes, les problèmes théoriques sont traités en parallèle du développement d’algorithmes et de logiciels, dans des projets collaboratifs impliquant à la fois des partenaires académiques et industriels. L’équipe publie dans les principales conférences internationales (IJCNN, ICML, AAMAS pour ne citer que celles-ci) ainsi que dans les principaux journaux  internationaux (Artificial Intelligence, Machine Learning, Pattern Recognition, . . . ).

Les liens forts qui lient le groupe aux partenaires industriels sont attestés par le grand nombre de thèse de doctorat qui se déroulent dans un contexte industriel et dans le cadre de contrats FUI. Un membre de notre équipe a créer en 2010 une entreprise spin-off de l’Université Paris 13 qui développe des services en Analyse Intelligente de Données  comme de la Fouille de Données, la Découverte de Connaissances dans les bases de Données et l’Analyse Prédictive.

Les futurs axes de recherche de l’équipe pour les 5 prochaines années se porte sur des thèmes prometteurs sur lesquels l’équipe est susceptible de se positionner en leader. Ces thèmes sont les suivants:

  • Apprentissage non supervisé dans le cadre de la théorie du transport optimal,
  • Apprentissage profond et approches quantiques
  • Apprentissage dans les graphes enrichis et hétérogènes
  • Nouveaux défis du passage à l’échelle de l’apprentissage statistique.

 

Vous trouverez une description plus complète de nos activités dans le document suivant: Rapport_12_17_A3.pdf

Données séquentielles et Analyse Relationnelle de Concepts

Agnès Braud

17 May 2018 à 12h15 | #séminaireA3
Salle B107, Institut Galilée, Université Paris 13

Graphes Dynamiques

Tabea Rebafka

31 May 2018 à 12h15 | #séminaireA3
Salle B107, Institut Galilée, Université Paris 13

Proposition et consommation de contenus sur le web : le problème de la diversité.

Lionel Tabourier

7 June 2018 à 12h15 | #séminaireA3
Salle B107, Institut Galilée, Université Paris 13

Enregistrer

Enregistrer