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:
- Apprentissage pour l’aide à la décision, qui regroupe les les recherches qui traitent d’apprentissage supervisé en relations avec des problématique d’aide à la décision.
- Apprentissage non supervisé de représentations pour le transfert et la collaboration, qui étudie l’apprentissage non supervisé dans un contexte de données distribuées et transfert depuis une tâche d’apprentissage vers une autre tâche.
- Apprentissage dans les graphes, motivé par les problèmes de fouille de données, avec un fort accent sur la fouille de structures dans les graphes attribués, la détection de communautés et la prédiction de lien dans les réseaux complexes (sociaux).
- Apprentissage de modèles topologiques à partir de données massives, qui étudie l’apprentissage non-supervisé de topologies cachées dans les données, avec un fort accent sur les techniques d’apprentissage en ligne et massivement distribuée.
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
Optimal Transport for Machine Learning Oct 3
Bernard Kamsu-Foguem 3 October 2019 à 12h15 | #séminaireA3 |