Date, Lieu et Horaire

  • 29,30 Aout,
  • Université d’artois, 9 Rue du Temple, 62000 Arras, à la maison de la recherche

  • Accueil le 29 à 9h30
  • Fin le 30 à 15h

Audience

  • Toutes les personnes intéressées par l’intelligence artificielle (enseignants, chercheurs, doctorants …)

Objectifs

  • Avoir une idée de la recherche en intelligence artificielle faite dans la région
  • Faire un rapprochement entre les personnes qui travaillent sur des thématiques proches

Programme

Qui? Quoi? Quand?
Lakhdar Sais (CRIL) [Approches déclaratives pour la fouille de données] TODO
Zied Bouraoui (CRIL) Apprentissage et utilisation des plongements sémantiques TODO
Christophe Lecoutre (CRIL) Modélisation de problèmes combinatoires sous contraintes en Python TODO
François Delmotte (LGI2A) présentation du LGI2A-Laboratoire de Génie Informatique et d’Automatique de l’Artois (Université d’Artois) TODO
Eric Lefevre et David Mercier (LGI2A) Gestion de l’incertain dans le cadre des fonctions de croyance : quelques concepts et applications développés au sein du LGI2A TODO
Sohaib Lafifi (LGI2A) Selecting heuristics for Solving Vehicle Routing Problems via learning TODO
Fabien Teytaud (LISIC) From parallel optimization to machine learning applied to games TODO
Sébastien Verel (LISIC) Black-box expensive optimization: learn to optimize TODO
Emilie Caillault (LISIC) Spectral clustering multi-level for ST event learning TODO

Résumé des présentations

Apprentissage et utilisation des plongements sémantique

Zied Bouraoui. Les plongements sémantiques sont des représentations vectorielles qui visent à modéliser (les aspects de) la signification d’un ensemble donné d’entités. Ces représentations, entre autres, jouent un rôle central dans la recherche d’informations, le traitement du langage naturel, l’apprentissage automatique et les sciences cognitives. Dans cet exposé, je vais d’abord donner un aperçu sur les méthodes que nous avons développées pour l’apprentissage des espaces sémantiques à partir de données, et ensuite présenter quelques exemples de leur utilisation dans des tâches de raisonnement.

Modélisation de problèmes combinatoires sous contraintes en Python

Christophe Lecoutre. La modélisation de problèmes combinatoires à l’aide d’un langage de programmation mathématique ou de programmation par contraintes requière une certaine expertise. La maîtrise du langage en lui-même peut participer à la difficulté de construire aisément les modèles. Nous proposons PyCSP3, un module Python, qui permet de construire des modèles de problèmes combinatoires sous contraintes à partir d’une interface simple. Les modèles peuvent être compilés automatiquement vers le format pivot XCSP3 reconnus par les solveurs de la communauté.

From parallel optimization to machine learning applied to games

Fabien Teytaud Je vais présenter mes derniers travaux de recherche, allant de l’optimization black-box parallèle aux méthodes dites ``zero learning’’ développées pour les jeux abstraits. Aujourd’hui les machines parallèles sont très répandues, il est donc normal d’espérer des algorithmes d’optimisation une distribution qui soit efficace. Nous verrons que ce n’est pas le cas de façon native, et nous verrons rapidement comment y remédier. Dans le cadre de mes récents travaux sur le zéro learning, nous verrons qu’un des principal inconvénient est le long temps d’apprentissage nécessaire. Dans nos travaux nous nous intéressons à des algorithmes beaucoup moins couteux tout en gardant une grande efficacité.

Black-box expensive optimization

Sébastien Verel Black-box optimization does not hypothesis on the gradient or on the regularity of the objective function to optimize. Typically, the objective function is based on a numerical simulation which is often expensive to compute. Moreover for such problems, the properties of the objective function is usually unknown. In this talk, we show some designed machine learning methods for such problems: learning surrogate model for combinatorial optimization, and learning parameters of optimization algorithms.

Spectral clustering multi-level for ST event learning

K. Grassi, Emilie Poisson Caillault, A. Lefebvre La détection et segmentation automatique des événements caractéristiques d’un processus à partir d’une série temporelle univariée ou multivariée est un problème commun à plusieurs applications (EEG, climatologie, finance, phytoplancton). La connaissance des formes et/ou dates de ces événements sont parfois inconnus ou trop peu pour la formaliser. De ce fait, la seule connaissance est la géométrie des données qui peut servir de point d’appui à l’apprentissage d’un modèle. Dans cet exposé, un algorithme basé sur un clustering spectral multi-niveau sera présenté pour conduire cette tâche de segmentation. Il est appliqué dans un contexte marin d’aide à la détection et compréhension des formations de blooms phytoplanctoniques en lien avec les pressions exercées par les activités humaines au niveau local comme au niveau global (changement climatique).

Photos

TODO