Date, Lieu et Horaire
- 29,30 Aout,
-
Université d’artois, 9 Rue du Temple, 62000 Arras, à la maison de la recherche (Amphi Jaques Sys, “le dôme”)
- 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
| Jeudi 29 Aout | 9h30 – 12h30 |
|---|---|
| François Delmotte (LGI2A) | présentation du LGI2A-Laboratoire de Génie Informatique et d’Automatique de l’Artois (Université d’Artois) |
| Emilie Caillault (LISIC) | Spectral clustering multi-level for ST event learning |
| Christophe Lecoutre (CRIL) | Modélisation de problèmes combinatoires sous contraintes en Python |
| Sohaib Lafifi (LGI2A) | Selecting heuristics for Solving Vehicle Routing Problems via learning |
| Bilan et discussion |
| Jeudi 29 Aout | 14h00 – 17h00 |
|---|---|
| Sébastien Verel (LISIC) | Présentation du LISIC |
| Fabien Teytaud (LISIC) | From evolutionary optimization to machine learning applied to games |
| Pause café | |
| Said Jabbour (CRIL) | Approches déclaratives pour la fouille de données |
| Gilles Dequen (MIS) | Cryptanalyse logique : IA au service de la sécurité des échanges |
| Gilles Roussel (LISIC) | (Semi-) Nonnegative Matrix Factorisation : problem, applications and trends |
| Bilan et discussion |
| Vendredi 30 Aout | 9h00 – 12h00 |
|---|---|
| Présentation du CRIL | |
| Zied Bouraoui (CRIL) | Apprentissage et utilisation des plongements sémantiques |
| 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 |
| Pause café | |
| Sébastien Verel (LISIC) | Black-box expensive optimization: learn to optimize |
| Vendredi 30 Aout | 13h30 – 15h00 |
|---|---|
| Gilles Dequen (MIS) | Présentation du MIS |
| Laure Devendeville (MIS) | Planification sous contraintes de ressources dans le milieu médical |
| Bilan et discussion |
Résumé des présentations
Approches déclaratives pour la fouille de données
Said Jabbour Dans cette présentation, je vais parler de la problématique de la fouille de données par contraintes. Je présenterai quelques contributions qui portent sur les approches déclaratives pour différentes tâches de fouille de données : la fouille des itemsets fréquents et de leurs formes condensées, l’extraction des règles d’association, la fouille des motifs séquentiels, la fouille de motifs sous incertitude et la fouille des itemsets graduels. Pour mettre en lumière les fertilisations croisées entre l’IA symbolique et la fouille de données, je montrerai d’une part comment le concept de symétrie largement exploré en SAT/CP est étendu à la fouille des motifs ensemblistes et comment compresser des graphes par le biais de contraintes linéaires et d’autre part comment la fouille de données peut être exploitée pour compresser des formules booléennes sous forme clausale.
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 evolutionary 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).
Cryptanalyse logique : IA au service de la sécurité des échanges
Gilles Dequen Les primitives cryptographiques, qu’elles symétriques, asymétriques, à sens unique, etc. constituent les briques de base de la sécurité informatique et plus spécifiquement de la sécurisation des échanges et des données. Quelquesoit leur classification, cette sécurité repose essentiellement sur la difficulté calcultatoire des problèmes sous-jacents (logarithme discret, factorisation du produit de grands premiers, etc.). Après une description des tenants et des aboutissants des problèmes cryptographiques, j’aborderai la question de leur modélisation propositionnelle ainsi que de leur résolution pratique notamment à l’aide de solveurs SAT dédiés.
(Semi-) Nonnegative Matrix Factorisation : problem, applications and trends
G. Delmaire, Matthieu Puigt, Gilles Roussel
La factorisation matricielle est devenue populaire depuis les premières évocations de la PMF par Paatero pour la répartition de sources de particules (1994) puis la NMF par Lee& Seung (1999) dans un cadre plus générique pour l’apprentissage des facteurs cachés d’une observation. Beaucoup de travaux ont permis d’atteindre une plus grande robustesse dans la recherche des matrices (les facteurs) de mélange et de sources dans le cas de la séparation, ou des matrices de pondération et celle des variables latentes dans le cas de l’approximation de rang faible. Les récentes démonstrations de l’utilisation de cet outil en modélisation de thèmes par fouille de données, en filtrage collaboratif, en analyse de graphe ou encore en calibration de capteurs, etc … montre la grande richesse des applications et ses usages dans les approches numériques de l’IA. Nous proposerons ensuite d’examiner quelques travaux effectués au sein de l’équipe SPeciFI du LISIC (NMF informée, calibration non supervisée de capteurs, complétion de matrices, …) et les travaux actuels de résolutions de la WNMF par projections aléatoires pour traiter plus rapidement les dimensions grandissantes des matrices qu’induisent les applications Big Data.
Planification sous contraintes de ressources dans le milieu médical
Laure Devendeville Nous présenterons un problème de planification sous contraintes de ressources pour le centre de pédagogie active SimUSanté. De par la diversité des formations en santé présentes au catalogue de SimUSanté, ainsi que le fonctionnement opérationnel du centre, la complexité du problème revêt plusieurs dimensions techniques et ergonomiques évidemment, mais celle-ci intègre également tous les obstacles liés au recueil de données. Après une brève introduction du contexte, nous présenterons les premières méthodes que nous avons développées afin de répondre aux nombreuses contraintes.
Photo
