Lundi 22 Avril
Heure: |
00:59 - 15:00 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Analyse et Etude de l'Evolution Temporelle des Réseaux Sociaux et du Web |
Description: |
Mario Cataldi Au cours des dernières années, la quantité des informations disponibles (dans le Web et non) a énormément augmenté. Pour cela, il est important d'analyser automatiquement ces grands ensembles de données afin de fournir des nouveaux mécanismes pour analyser, extraire, indexer et explorer leurs contenus.Pour ce faire, afin de faciliter l'analyse des contenus textuels générés par les utilisateurs (disponibles maintenant en très grande quantité),  dans ce séminaire,  je montrerai de nouveaux mécanismes pour la détection de thèmes (Topic Detection and Tracking, TDT) pour analyser et suivre efficacement l'évolution de l'information textuelle exprimée dans un réseau social et dans le Web. En particulier, je montrerai de nouvelles mesures pour identifier les relations qui existent entre les utilisateurs et entre les contenus et, par conséquent, des techniques pour modéliser ces informations comme un graphe social où il est possible de suivre les thèmes de discussion les plus émergents dans une communauté. Afin de mieux évaluer la nature dynamique de ces contenus, on introduira de nouveaux paramètres de nature temporelle qui permettent de suivre en temps réel le flux d'information à l'intérieur d'un réseau social. De plus, pour améliorer l'analyse de ces contenus dynamiques, je montrerai de nouveaux mécanismes pour modéliser l'influence parmi les utilisateurs et estimer leur réputation dans la communauté en question. |
Mercredi 24 Avril
Heure: |
12:00 - 13:30 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Machine Learning as New Tool for Predicting Radiotherapy Response: Current Challenges and Future directions |
Description: |
Issam El Naqa More than half all cancer patients receive radiation treatment (radiotherapy) as part of their treatment and it is the main treatment modality at advance stages of disease. Radiotherapy outcomes are determined by complex interactions between treatment dosimetric techniques, cancer pathology, and patientârelated physiological and biological factors. A common obstacle to building maximally predictive treatment outcome models for clinical practice in radiation oncology is the failure to capture this complexity of heterogeneous variable interactions and the ability to translate outcome models across different multiâinstitutional data. Methods based on machine learning can identify data patterns, variable interactions, and higher order relationships among prognostic variables. In addition, they have the ability to generalize to unseen data before. However, within the plethora of machine learning techniques one needs to tailor these methods to radiotherapy outcomes. Off-shelf techniques may not be sufficient to address the current questions faithfully. In this presentation, we will provide examples of the application of machine learning to radiotherapy from our own work and highlight the current challenges, stir discussion between the radiation oncology and the machine learning communities to improve potential application of this promising technology to improve response prediction of radiotherapy outcomes. |
Jeudi 25 Avril
Heure: |
00:59 - 11:30 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Ressources sémantiques et Recherche d'Information (RI) |
Description: |
Ourdia Ressad-Bouidghaghen Cette présentation, comprendra un aperçu de mes travaux de recherche précédents autour de la thématique de la RI en exploitant des ressources sémantiques. Je vous présenterai une méthode d'extraction de vues sémantiques à partir de textes fondée sur la ressource linguistique WordNet, en particulier les liens sémantiques exploités, la méthode de désambiguïsation utilisée et la méthode adoptée pour la pondération des termes. Puis, un modèle de représentation d'un profil sémantique de l'utilisateur, exploitant la taxonomie ODP, sera présenté en montrant son exploitation pour le ré-ordonnancement des résultats de la recherche pour les personnaliser pour un utilisateur mobile. Je vous donnerais ensuite un aperçu de mes travaux en cours au post-doctorat dans l'équipe, autour de la construction collaborative de ressources sémantiques à partir de textes dans le cadre du projet Légilocal. |
Vendredi 26 Avril
Heure: |
10:30 - 11:30 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Coopération de la fouille de données et du traitement automatique des langues pour l'accès à l'information |
Description: |
Thierry Charnois Dans cet exposé, je présenterai nos travaux visant à intégrer les techniques de fouille de données dans les méthodes de TAL pour l'accès à l'information. L'idée est de tirer parti de la capacité des techniques de fouille à faire émerger des connaissances sous forme de régularités dans les données volumineuses de type base de données. Je montrerai comment nous avons adapté ces techniques à la donnée textuelle, et sur des problématiques de TAL. Dans un premier temps, je présenterai comment la fouille de motifs séquentiels permet d'acquérir des patrons linguistiques pour des tâches d'extraction d'information, par exemple pour l'extraction de relations entre entités nommées dans les textes biologiques ou médicaux. Dans un second temps, je montrerai un autre type d'application portant sur l'utilisation de la fouille, en particulier sur des textes à valeur littéraire, historique, sociololgique, etc., pour faciliter le travail des linguistiques, notamment pour l'exploration de grands textes ou l'analyse stylistique de ceux-ci.  |
|
|