22 Avril - 28 Avril


Retour à la vue des calendrier
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 patient‐related 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 multi‐institutional 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.