A3 : Apprentissage Artificiel et Applications

Responsable : Aomar Osmani

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 nombreuses 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.

L’équipe A3 est structurée en trois axes principaux :

  • Axe ADA : Apprentissage à partir de données et d’apprenants
  • Axe Apprentissage Relationnel et Graphes
  • Axe Méta Apprentissage et Apprentissage de Représentations
Axe ADA
Le thème central du pôle de recherche ADA est l’apprentissage à partir de données et d’apprenants, avec un accent sur le paradigme non supervisé. Les principaux axes des contributions se focalisent autour du clustering multi-modèles et l’apprentissage par transfert. Les contributions du pôle ADA abordent à la fois des recherches à caractère fondamental ainsi que des recherches plus appliquées, le plus souvent soutenues par des projets collaboratifs académiques et industriels. Les contributions théoriques et algorithmiques sont souvent développées en même temps que des applications dans différents domaines tels que : qualité et anonymisation de données, santé, marketing digital et recommandation, diagnostic des systèmes complexes, analyse des réseaux sociaux, …
Axe Apprentissage Relationnel et Graphes
Apprendre des modèles exprimés comme des programmes logiques, explicites et explicables et à partir de données structurées dans les graphes. Cet axe traite notamment les thématiques d’apprentissage relationnel et les exemples incertains, de l’apprentissage relationnel probabiliste dans un cadre POMDP, de l’abstraction de graphes et recherche de motifs fermés abstraits.
Axe Méta Apprentissage et Apprentissage de Représentations
Généralise le problème d’apprentissage en traitant le processus d’apprentissage lui-même. Il permet de meilleures précisions avec moins d’exemples en tenant compte de la structure explicite ou non et en recherchant des régularités par la minimisation du risque structurel. Il permet la modélisation du contexte, des divers biais, du statut des données, de l’interaction entre les concepts à apprendre, de l’évolution des théories apprises et de la métamodéliation des hyperparamètres. Il permet également la modélisation simultanée des données et du clustering (apprentissage non supervisé profond). Cet axe s’intéresse aux données temporelles multi-variées, à l’apprentissage  à large échelle, aux images et aux documents audios ou vidéos.

Rapport d’activité 2012 – 2017 et projet 2019-2023 de l’équipe A3 :

Retour vers le haut