|
|
Lundi 4 Février
Heure: |
00:59 - 15:00 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Séquences fréquentes maximales et applications |
Description: |
Antoine Doucet Une séquence d'items (par exemple, des mots, ou des caractères), est définie par l'ordre dans lequel ces items apparaissent dans un document, indépendamment de la distance qui les y sépare. Une séquence est dite fréquente, si elle apparaît dans plus de documents qu'un seuil de fréquence documentaire donné. Elle est dite maximale dès lors que l'insertion de tout autre item induit une fréquence inférieure au seuil. Appliquées par exemple au niveau phrastique, les séquences fréquentes maximales (SFM) forment ainsi des descripteurs compacts, qui ne sont ni limités en taille, ni par la distance les séparant dans le corpus initial. Je détaillerai tout d'abord notre méthode non supervisée permettant l'extraction et la sélection efficace de séquences fréquentes maximales depuis des corpus de texte de toute taille, quel qu'en soit le genre, et quelle qu'en soit la langue. Je présenterai ensuite plusieurs applications de ces travaux, notamment en extraction de synonymes, utilisant les SFM comme pivots d'alignement de paraphrases. J'aborderai également nos applications en recherche d'information multilingue, en veille épidémiologique multilingue et en détection de nouveauté dans des flux de dépêches d'agence de presse. |
Mardi 5 Février
Heure: |
10:30 - 13:30 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Inversion de Lagrange multivariée |
Description: |
Axel Bacher |
Heure: |
12:30 - 13:30 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Separable non-convex underestimators for binary quadratic programming |
Description: |
Emiliano Traversi We present a new approach to constrained quadratic binary programming. Dual bounds are computed by choosing appropriate global underestimators of the objective function that are separable but not necessarily convex. Using the binary constraint on the variables, the minimization of this separable underestimator can be reduced to a linear minimization problem over the same set of feasible vectors. For most combinatorial optimization problems, the linear version is considerably easier than the quadratic version. We explain how to embed this approach into a branch-and-bound algorithm and present experimental results. |
Heure: |
14:00 - 17:00 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
La conjecture de Hadamard |
Description: |
Shalom Eliahou< |
|
|