|
|
|
Conférence > Conférenciers invités
Antoine Cornuéjols est professeur d’informatique à AgroParisTech et est responsable de l’équipe LINK (Learning and INtegration of Knowledge) de l’UMR 518 MIA-Paris. Il a réfléchi et travaillé sur l’intelligence artificielle et l’apprentissage automatique depuis ses études doctorales à UCLA en Californie et à l’université d’Orsay où il a obtenu son doctorat, puis son HDR. Il est spécialement intéressé par l’apprentissage en-ligne à partir de flux de données, l’apprentissage par transfert et l’apprentissage collaboratif, des cadres qui à la fois sont importants pour de nombreux domaines applicatifs et demandent de ré-examiner les approches classiques de l’apprentissage automatique fondées sur l’hypothèse d’un environnement stationnaire.
Il est co-auteur de deux ouvrages : l’un sur l’ « apprentissage artificiel. Concepts et algorithmes » (la 3ème édition vient d’être publiée) et l’autre intitulé « Phase transitions in machine learning ». Il a publié de nombreux articles dans les revues et conférences majeures du domaine et est régulièrement membres de comités de lecture. Il est spécialement intéressé par l’histoire de l’intelligence artificielle et de l’apprentissage automatique.
Titre de la présentation : Qu’est-ce qu’un bon système d’apprentissage ? La réponse a évolué avec le temps. Et demain ? 
L’apprentissage automatique, pardon le « machine learning », a envahi la sphère médiatique grâce à des succès impressionnants comme la victoire d’une machine au Go, ou la promesse de véhicules autonomes arrivant très prochainement sur nos routes. De fait, tant l’exploitation des données massives que la production de code machine à partir de l’expérience de la machine plutôt que par des humains, met l’apprentissage automatique au coeur de l’intelligence artificielle. Très certainement cela signifie que nous savons répondre à la question « qu’est-ce qu’un bon système d’apprentissage ? » et qu’il ne nous reste plus qu’à en décliner la réponse pour obtenir des systèmes adaptés à chaque domaine applicatif.
Pourtant, la réponse à cette question a profondément évolué au cours des 60 dernières années, au point que les publications sur l’apprentissage automatique d’il y a quelques décennies semblent venir d’une autre planète et ne sont d’ailleurs plus enseignés aux étudiants. Et ceci pas seulement parce que les connaissances passées seraient jugées obsolètes, mais parce qu’elles ne semblent pas pertinentes. Avons-nous donc raison ? Nos précurseurs avaient-ils tort ? Et nos successeurs nous citeront-ils dans leurs manuels ?
Dans cette présentation, nous examinerons quelques moments clés de l’histoire de l’apprentissage automatique correspondant à des tournants dans la manière de considérer ce qu’est un bon système d’apprentissage. Et nous nous demanderons si nous vivons un autre moment charnière dans lequel changent notre perspective, la question que nous cherchons à résoudre dans nos recherches, les concepts manipulés et la manière d’écrire nos papiers.
Ernesto Estrada has an internationally leading reputation for shaping and developing the study of complex networks. His expertise ranges in the areas of network structure, algebraic network theory, dynamical systems on networks and the study of random models of networks. He has a distinguished track record of high-quality publications, which has attracted more than 10,000 citations. His h-index (number of papers with at least h citations) is 56. His publications are in the areas of network theory and its applications to social, ecological, engineering, physical, chemical and biological real-world problems. Professor Estrada has published two text books on network sciences both published by Oxford University Press in 2011 and 2015, respectively. He has demonstrated a continuous international leadership in his field where he has been invited and plenary speaker at the major conferences in network sciences and applied mathematics. He is the Editor-in-Chief of the Journal of Complex Networks (Oxford University Press) as well as an Editor of SIAM Journal of Applied Mathematics and of Proceedings of the Royal Society A
Titre de la présentation : Long-range influences in (social) networks
In this talk I will introduce some problems that motivate the necessity of considering (non-random) long-range influences in social interactions. This motivation will be developed on the basis of the diffusion of innovations in social networks and a couple of examples will be provided. Then, I will develop a mathematical framework that allow to generalise the Laplacian operator on networks and propose a generalised diffusion equation on graphs. I will prove analytically that in one- and two-dimensional cases this new scheme gives rise to superdiffusive behaviours on networks. I will show how to extend this model to a random multi-hopper to be applied in real-world networks. Finally I will return to the problem of social systems showing some implications of the new model for selection of leaders, influence of leaders cohesiveness and diffusion of innovations.
Santo Fortunato is the Director of the Center for Complex Networks and Systems Research (CNetS) at Indiana University and a Scientific Director of Indiana University Network Science Institute (IUNI). Previously he was professor of complex systems at the Department of Computer Science of Aalto University, Finland. Prof. Fortunato got his PhD in Theoretical Particle Physics at the University of Bielefeld In Germany. He then moved to the field of complex systems, via a postdoctoral appointment at the School of Informatics and Computing of Indiana University. His current focus areas are network science, especially community detection in graphs, computational social science and science of science. His research has been published in leading journals, including Nature, Science, PNAS, Physical Review Letters, Reviews of Modern Physics, Physics Reports and has collected over 21,000 citations (Google Scholar). His review article Community detection in graphs (Physics Reports 486, 75-174, 2010) is one of the best known and most cited papers in network science. He received the Young Scientist Award for Socio- and Econophysics 2011, a prize given by the German Physical Society, for his outstanding contributions to the physics of social systems.
Titre de la présentation : Community structure in complex networks
Complex systems typically display a modular structure, as modules are easier to assemble than the individual units of the system, and more resilient to failures. In the network representation of complex systems, modules, or communities, appear as subgraphs whose nodes have an appreciably larger probability to get connected to each other than to other nodes of the network. In this talk I will address three fundamental questions: How is community structure generated? How to detect it? How to test the performance of community detection algorithms? I will show that communities emerge naturally in growing network models favoring triadic closure, a mechanism necessary to implement for the generation of large classes of systems, like e.g. social networks. I will discuss the limits of the most popular class of clustering algorithms, those based on the optimization of a global quality function, like modularity maximization. Testing algorithms is probably the single most important issue of network community detection, as it implicitly involves the concept of community, which is still controversial. I will discuss the importance of using realistic benchmark graphs with built-in community structure.
Fosca Giannotti, is a director of research of computer science at the Information Science and Technology Institute “A. Faedo” of the National Research Council, Pisa, Italy. Fosca Giannotti is a pioneering scientist in mobility data mining, social network analysis and privacy-preserving data mining. Fosca leads the Pisa KDD Lab - Knowledge Discovery and Data Mining Laboratory http://kdd.isti.cnr.it, a joint research initiative of the University of Pisa and ISTI-CNR, founded in 1994 as one of the earliest research lab centered on data mining. Fosca's research focus is on social mining from big data: smart cities, human dynamics, social and economic networks, ethics and trust, diffusion of innovations. She has coordinated several European projects and industrial collaborations. Fosca is now the coordinator of SoBigData, the European research infrastructure on Big Data Analytics and Social Mining, an ecosystem of ten cutting edge European research centres providing an open platform for interdisciplinary data science and data-driven innovation http://www.sobigdata.eu.
Titre de la présentation : Big Data for understanding human dynamics: the power of networks
The digital traces of human dynamics, such as mobile phone data and vehicular GPS trajectories, when observed for sufficiently long periods and suitably interpreted, allow to re-construct the detailed networks of individual mobility of large masses of people. This has been the starting point for the discovery of various data science models aimed at understanding the complexity of human mobility as a base to construct smart cities for smarter citizens. My talk gives a brief account of both collective models of urban dynamics and individual models of personal behavior. The first category includes: i) the real-time demography of urban stocks and inter-city flows of city-users (residents, commuters, and visitors), ii) the returners-explorers dichotomy, iii) the relation between mobility diversity and economic development, v) the emergence of the polycentric city. The personal models include activity recognition, i.e., how to discover the purpose of a user's movements, and proactive ride matching for carpooling, based on the individual and collective networks of users' mobility. I'll close the talk showing the social mining resources available at the RI SoBigData.eu.
Christopher Kermorvant, est ingénieur ENSIIE (1996) et docteur en informatique (2002). Depuis 20 ans, il travaille au développement d’applications utilisant des technologies de Machine Learning. Après une expérience académique en France (doctorant au laboratoire Hubert Curien de l'Université de Saint-Etienne) et à l'étranger (ingénieur de recherche au laboratoire IDIAP de l'Ecole Polytechnique Fédérale de Lausanne, post-doctorant au laboratoire MILA de l'Université de Montréal), il a dirigé pendant 8 ans une équipe de recherche au sein d'A2iA, une PME high-tech, spécialisée dans la reconnaissance d'écriture manuscrite. Avec son équipe, il a développé de nouveaux systèmes de reconnaissance d’écriture basés sur des réseaux de neurones profonds. Ces systèmes se sont classés premier lors d'évaluations internationales de reconnaissance d'écriture en français, anglais, arabe (Rimes, OpenHart, Maurdor) et sont depuis été intégrés dans la gamme des produits de la société A2iA.
Depuis 2015, il travaille en tant qu’expert indépendant en Machine Learning (www.teklia.com) pour aider les entreprises à développer des produits innovants basés sur des technologies de Machine Learning tout en poursuivant des projets de recherche collaborative en Digital Humanities.
Titre de la présentation : Reconnaissance et indexation automatique des registres de la chancellerie française (1300-1483)
Les documents manuscrits sont parmi les témoins les plus importants de l’histoire européenne. Ces dernières années, d’importantes collections de manuscrits historiques ont été numérisées et mises à disposition du public et des chercheurs. Cependant, la richesse des informations qu’ils contiennent est encore largement inaccessible car seul les images et quelques méta-données sont disponibles. L’idéal pour les utilisateurs serait de pouvoir faire des recherches textuelles comme pour les livres imprimés modernes (https://books.google.fr/). Si les technologies d’analyse de documents historiques et de reconnaissance d’écriture manuscrite sont encore trop peu performantes pour permettre l’utilisation directe de la transcription brute, il est possible de mettre à la disposition des utilisateurs un moteur de recherche textuel basé sur une indexation automatique des images de documents manuscrits. Cette indexation se base sur une transcription automatique mais tire profit de la capacité de la machine à générer des hypothèses reconnaissance multiples et pondérées.
Cette technologie a permis de rendre accessible pour la première fois à la recherche textuelle les registres de la chancellerie royale française (1302 – 1483), un des corpus de documents historiques les plus emblématiques pour la France, ouvrant ainsi la voie à de nouvelles méthodes de recherche en histoire : http://www.himanis.org/
| Personnes connectées : 1 | Flux RSS |
|
