A3 : Apprentissage Artificiel et Applications

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.

L’équipe A3 est structurée en deux axes de recherche menant leurs activités de manière autonome :

MAARS

Responsable: Aomar Osmani

Le point commun des recherches dans groupe MAARS est l’utilisation des structures, en plus des données plates, pour construire des modèles d’apprentissage. Nous nous intéressons également à l’apport des connaissances a priori, à la manière de les modéliser pour avoir des modèles d’apprentissage robustes nécessitant moins de données. L’apprentissage n’est pas qu’une question algorithmique, c’est aussi l’étude rigoureuse de tous les paramètres qui interviennent dans le processus d’apprentissage, l’évolution des modèles, et au-delà le respect de la réglementation et des règles sociales quand ces modèles sont utilisés dans les situations réelles (santé, transport, ville connectée, etc.).

Notre groupe travaille sur la structuration des métaconnaissances des biais apportés par toute la chaîne de production de la connaissance et tenter d’apporter des réponses à l’interprétation et au sens des modèles appris et leur impact sur la société.

Nos recherches s’articulent autour de quatre axes :

Apprentissage relationnel
Apprentissage et fouille de graphes
Apprentissage non supervisé scalable
Métaapprentissage ou apprentissage comme problème de modélisation

ADA

Responsable: Basarab Matei

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 (multi-vues et collaboratif), l’apprentissage par transfert, l’apprentissage à partir de données structurées, ou encore l’apprentissage profond non-supervisé de représentations.

Le pôle ADA a une position historique forte en apprentissage non supervisé et une grande partie de ses recherches se situent dans ce domaine. 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, …

Les recherches du pôle ADA s’organisent en trois grands thèmes :

  • Apprentissage non supervisé multi-modèles, le pôle ADA s’intéresse à l’élaboration de méthodes d’apprentissage collaboratif et multi-vues pour des données distribuées et hétérogènes à travers des formalismes émergeants tels que l’apprentissage quantique ou la théorie du transport optimal.
  • Apprentissage par transfert, les membres du pôle ADA cherchent à développer des approches qui détectent et évitent le transfert négatif des connaissances, notamment dans le cadre de la théorie du transport optimal et la factorisation matricielle non négative.
  • Apprentissage à partir de données structurées, où des approches collaboratives et hiérarchiques ont été proposées pour aborder différentes problématiques telles que : Partitionnement des grands graphes en communautés ; Prévision de liens ; Analyse de graphes multiplexes.

Il n’y a aucun séminaire prévu pour les prochains jours

Enregistrer

Enregistrer