2019


Retour à la vue des calendrier
Lundi 11 Mars
Heure: 14:00 - 15:00
Lieu: Salle B107, bâtiment B, Université de Villetaneuse
Résumé: Structure Prediction Energy Network (SPEN) using Dual Decomposition on Dependency Parsing
Description: Xudong ZHANG Dependency Parsing is one of the basic tasks in the field of Natural Language Processing (NLP). The goal is to find whether there exist a strong relationship between different words in a sentence. It can be used as the basic step of many NLP systems like question answering system. Solving a dependency parsing problem can be realized by a energy based network with the output of the neural network as a scalar (energy). The goal is to find the most compatible structure (a graph) with the input sentence and the most compatible structure is supposed to give the lowest energy for the neural network. As the structure of the sentence should be a tree (one root, every word has and only has one pa rent, no circle), to simplify the problem, people always construct a linear function corresponding to the structure that we want to find, i.e. we suppose different arcs are independent. However, this method may limit the capacity of the system to describe more complex relations. In this project, inspired by the idea of Structure Prediction Energy Network (SPEN), we construct a new neural network which is composed of two parts, i.e. local energy part and global energy part. We showed that it is possible to solve the problem with dual decomposition when we have a convex (non-linear) function for the global energy part together with the linear local energy part.
As one part of my Phd thesis, this work is still ongoing.
Jeudi 4 Avril
Heure: 13:30 - 14:30
Lieu: Salle B107, bâtiment B, Université de Villetaneuse
Résumé: Apprentissage automatique à partir de données complexes et dynamiques: Application aux données textuelles
Description: Parisa RASTIN Les données actuelles sont de plus en plus variées et complexes et il est en général nécessaire d’adapter les algorithmes d’analyse à chaque type de description des données. Les algorithmes d’apprentissage devraient cependant pouvoir être fonctionnels quel que soit le type des données et la métrique choisie. Nous présentons dans cet exposé un algorithme de clustering relationnel basée sur le système de Coordonnées Barycentriques pour homogénéiser la représentation des objets et des prototypes et traiter de grands ensembles de données complexes. Dans le système de Coordonnées Barycentriques, l’espace de représentation est défini par un ensemble unique de points de support choisis parmi les objets de la base d'apprentissage. La définition d’un prototype correspond au calcul d’un objet dans l’espace barycentrique. À partir de ces approches, nous proposons un algorithme d'apprentissage basé sur un réseau de neurones artificiel défini dans l'espace barycentrique, adapté aux flux de données textuelles et permettant un suivit dynamique de l'évolution des données au cours du temps. Nous présenterons une applications concrètes sur l’extraction de domaines d’intérêt extraits d’URLS à partir de trace de navigation en ligne.
Mercredi 17 Avril
Heure: 14:30 - 15:30
Lieu: Salle B107, bâtiment B, Université de Villetaneuse
Résumé: Résumé de texte translingue par compression
Description: José Manuel Torres-Moreno Le Résumé Translingue de Textes (RTT) vise à générer un résumé dans une langue autre que le document source.

Plus précisément, le RTT consiste à analyser un document dans une langue source pour en extraire sa signification, puis à générer un résumé court, informatif et correct dans une langue cible.

Ce processus peut être divisé en deux processus principaux : le résumé et la traduction. Processus souvent antagonistes.

Nous avons développé un cadré expérimentale pour générer des résumés translingues de documents en anglais, français, portugais, espagnol vers {anglais, français}.

Nous avons utilisé des applications du TALN (résumé par extraction, similarité de phrases, compression de phrases et fusion multi-phrases) et des approches neuronales pour construire nos modèles de RTT.

Cette présentation sera ciblée sur les techniques et les résultats obtenus lors de nos expériences.
Jeudi 18 Avril
Heure: 12:15 - 13:30
Lieu: Salle B107, bâtiment B, Université de Villetaneuse
Résumé: Analyse de sentiment sur les réseaux sociaux
Description: Mohamed Quafafou
Mercredi 22 Mai
Heure: 14:00 - 14:30
Lieu: Salle B107, bâtiment B, Université de Villetaneuse
Résumé: Theoretical and Applied Research in Machine Learning
Description: Lucian SASU Some insights and experiences in theoretical and applied research are shared. The two worlds are quite different and complementary. The presentation exposes challenging topics in industry which can be addressed through ML, along with hints for researchers willing to join industrial R&D departments.
Jeudi 23 Mai
Heure: 14:00 - 15:30
Lieu: Amphi Ampere
Résumé: Universal and best approximation through Bayesian ARTMAP
Description: Lucian SASU Bayesian ARTMAP is an adaptive resonance-theory based model, which was extended to perform regression. The network is shown to have both universal and best approximation properties. The network architecture and learning algorithm are presented, along with sketches of proofs and open questions.