|
7-8 nov. 2024 Brest (France)
|
|
|
|
ProgrammeProgrammeJeudi 7 novembre
Vendredi 8 novembre
Session 1• Apprentissage d'un réseau de neuronnes MaxMin. Olivier Strauss, Agnès Rico, Ismaïl Baaj, Angely Chevrollier-Mehat • Vers une modélisation de la confiance dans le renseignement sur les menaces cyber Laurent Bobelin, Sabine Frittella, Mariam Wehbe • Extraction de motifs graduels basée sur le clustering Dickson Odhiambo Owuor, Anne Laurent, Lesley Bonyo • Cubes d’opposition en théorie des possibilités : de nouveaux résultats Didier Dubois, Henri Prade • Une approche généralisée du regret minimax pour des problèmes d’optimisation sous incertitude sévère avec objectifs linéaires Tuan-Anh Vu, Sohaib Afifi, Éric Lefèvre, Frédéric Pichon • Modélisation d’un contrôleur neuro-flou pour la navigation d’un robot mobile en utilisant une stratégie de simplification de la base de règles Brahim Hilali, Mohammed Ramdani, Abdelwahab Naji • Logique du premier ordre avec sémantique floue pour la description et la reconnaissance de fibres nerveuses en imagerie médicale Isabelle Bloch, Enzo Bonnot, Pietro Gori, Giammarco La Barbera, Sabine Sarnacki • Formule algébrique pour la prédiction d’une variable ordinale d’après la méthode crédibiliste basée sur la vraisemblance relative Frédéric Pichon, Sébastien Ramel • Optimisation linéaire robuste : quand la théorie des fonctions de croyance permet d’allier robustesse et pouvoir discriminant Farah Beji, Nahla Ben Amor, Hélène Fargier, Romain Guillaume • Lot Sizing Problem Under Lead-time Uncertainty Romain Guillaume, Adam Kasperski and Pawel Zielinski. Session 2• Elicitations et relations de préférences par intégrales de Gödel Agnès Rico, Marie-Jeanne Lesot, Christophe Marsala • Provenance possibiliste Didier Dubois, Henri Prade • Régression linéaire crédibiliste pour l’analyse douce des fluctuations redressées (soft DFA) Nicolas Sutton-Charani, Francis Faux Nicolas Sutton-Charani, Francis Faux • Explications locales pour un système à base de règles linguistiques floues Gilles Mauris, Jacky Montmain • Commande par mode glissant floue appliquée à un système de conversion d’énergie éolienne Tarek Aounallah, Nawal Ferhat, Najib Essounbouli, Abdelaziz Hamzaoui, Farid Bouchafaa • Utilité esperée generalisée – vers une règle de décision universelle Hélène Fargier, Pierre Pomeret-Coquot Session 3• Clustering multi-relationnel flou des trajectoires de la douleur chronique Armel Soubeiga, Violaine Antoine, Sylvain Moreno • Sur l’apprentissage de capacités pour les intégrales de Sugeno avec des systèmes d’équations relationnelles floues Ismaïl Baaj • Un modèle évidentiel pour l’analyse des hypothèses concurrentes Aurélie Akli, Anne-Laure Jousselme, Edwige Quillerou, Frédéric Pichon • Incertitudes géospatiales : un gros plan sur les intervalles et les modèles d’interpolation spatiales basées sur la pondération inverse des distances Priscillia Labourg, Sébastien Destercke, Romain Guillaume, Jeremy Rohmer, Benjamin Quost, Stéphane Belbèze • Une approche floue au design de plan expérimental pour optimiser un ou plusieurs critères Olivier Rousselle, Jean-Philippe Poli, Nadia Ben Abdallah • L’intégrale de Sugeno et les règles si ... alors : le cas bipolaire. Didier Dubois, Henri Prade, Agnès Rico • Quelques réflexions sur l’erreur et l’imprécision en traitement d’images Olivier Strauss, Isabelle Bloch • Utilisation de corrections dans des réseaux de neurones profonds crédibilistes à couches denses dans une approche de fusion multivue Serigne Mamadou Diène, Sébastien Ramel, Frédéric Pichon, David Mercier • Évaluation de la qualité des représentations numériques compatibles avec les préférences du décideur. Abdelhak Imoussaten, Jacky Montmain, Jean-Baptiste Cellier, Cedric Daumas, Jonathan Chambas
Session 4• Analyse de la voix pour la détection précoce de la démence à l’aide de réseaux de neurones Ahmad Tay, Mihai Andries, Christophe Lohr • Encodage des connecteurs OU et MAX incertains pour le comptage de modèles pondérés dans la théorie des possibilités Guillaume Petiot • Comparaison d’algorithmes de création de politiques à base de règles floues Romain Caillière • Analogique, logique, et classification Henri Prade, Gilles Richard • Une approche maximin pour éliciter une intégrale de Gödel appliquée à deux critères Agnès Rico, Marie-Jeanne Lesot, Christophe Marsala • Robust classification with noisy labels using Venn-Abers predictors Ichraq Lemghari, Sylvie Le Hégarat-Mascle, Emanuel Aldea and Jennifer Vandoni. • How to efficiently decombine belief functions? Daira Pinto Prieto, Ronald De Haan and Sébastien Destercke. • Détection d'objets par prédiction conforme basée sur les copules: une approche plus efficiente Bruce Cyusa Mukama, Soundouss Messoudi, Sylvain Rousseau and Sébastien Destercke. • Raisonnement avec des stéréotypes plus ou moins persistants Florence Dupin de Saint-Cyr, Francis Faux et Sabine Fritella. • Comparaison de résumés linguistiques Marie-Jeanne Lesot, Grégory Smits Conférences invitéesFlorence Dupin de Saint-CyrStories and belief change
In the Knowledge Representation and Reasoning subfield of artificial intelligence, theories of belief change have had a great impact. Research in this area focuses on the properties of operators that allow us to take into account the evolution of knowledge as new information becomes available. In this context, how can we model the evolution of a listener's beliefs as he or she listens to a story? A story can be seen as a sequence of logical formulas indexed by instants, which can be apprehended as a whole in order to draw conclusions linked to the causality of events, or as a sequence of successive revisions of an agent's beliefs by the information that arrives along the way. With belief change tools, it is then possible to characterize some useful ingredients in storytelling such as surprise and incongruity.
Biography
Florence Dupin de Saint-Cyr has been lecturer at Toulouse Paul Sabatier University since 2005 and led the ADRIA (Argumentation, Décision, Raisonnement (reasoning), Incertitude (uncertainty), Apprentissage (learning)) team at IRIT from 2019 to 2024. She is currently full-time researcher for one-year at the lab-STICC laboratory in Brest. Florence Dupin de Saint-Cyr's research focuses on knowledge representation and the formalization of reasoning, in particular reasoning about change in the presence of imperfect information (incomplete, uncertain, inconsistent). She has worked on defeasible reasoning, logic-based and abstract argumentation, persuasion dialogues, fallacies, bounded rationality, explainable reinforcement learning. These works use logical or mathematical frameworks like graph and uncertainty theories. She has worked with more than thirty co-authors covering a large spectrum of the research in artificial intelligence. Her seminal article about change in abstract argumentation is cited 200 times. She was co-program chair of the 15th international conference en scalable uncertainty management SUM’2022 and president of the doctoral consortiums of ICAART’2015 and ICAART’2014.
Christophe LabreucheVers l’utilisation d’un modèle de décision (intégrales de Choquet hiérarchiques) en apprentissage automatique et traitement d’image L’aide multicritère à la décision a donné lieu au développement de nombreux modèles – chacun étant capable de représenter des stratégies de décision et comportements humains propres. Nous nous intéressons en particulier à une Hiérarchie d’Intégrales de Choquet (HIC). Dans ce modèle, les critères sont organisés sous forme d’un arbre dans lequel les critères sont agrégés de manière progressive pour aboutir à un score global. Chaque fonction d’agrégation dans cet arbre est une intégrale de Choquet. Ce modèle est choisi compte tenu de sa capacité à reproduire des stratégies de décision complexes et en particulier des critères interagissant entre eux, ce qui est en général le cas dans les applications réelles. La HIC est traditionnellement utilisée en aide à la décision, où les préférences d’un décideur sont élicitées séparément à chaque noeud de l’arbre. Toutefois ce modèle trouve naturellement sa place dans le domaine de l’IA explicable (XAI: eXplainable AI), comme modèle interprétable dans un pipeline d’apprentissage automatique. Nous détaillerons quelques travaux dans cette direction. Tout d’abord, nous avons obtenu des résultats sur l’identifiabilité non seulement des poids d’une HIC mais également de sa représentation arborescente – les résultats sur l’identifiabilité étant importants en apprentissage automatique. En particulier, les frontières de séparation entre les parties affines d’une HIC sont très intimement reliées à la structure de l’arbre des critéres. Ensuite, tous les paramètres d’une HIC peuvent être appris grâce à une représentation sous forme d’un réseau de neurone, ce qui permet d’apprendre le modèle à partir de données supervisées. Nous présenterons enfin une application en traitement d’image dans laquelle une HIC est utilisée comme modèle proxy interprétable d’un réseau de neurone profond. Les entrées d’une HIC ne sont pas les pixels de l’image, mais le niveau d’activation d’un ensemble de concepts (prédéfinis) dans l’image – ces niveaux étant obtenus via un Visual Language Model. De plus, les espaces latents du réseau de neurone profond et de la HIC sont alignés afin que le modèle proxy reproduise le raisonnement du réseau de neurone. Biographie Christophe Labreuche est expert sénior en IA à Thales Research & Technology. Aprés avoir été diplômé de l’Ecole Centrale de Lyon (1993), il a obtenu une Thèse de Doctorat en Mathématiques appliquées à l’Université Paris Dauphine (1997). Il a alors rejoint Thomson-CSF qui est devenu ensuite Thales. Après avoir travaillé initialement sur les équations aux dérivées partielles, il s’est ensuite intéressé à l’IA et la Recherche Opérationnelle, dans les domaines de la théorie de la décision et en particulier la décision multicritère et la théorie des jeux, puis aux domaines de la négociation et l’optimisation décentralisées ainsi que l’IA explicable (XAI). Il a appliqué ses travaux dans des domaines industriels tels que l’aide à la conception de systèmes complexes et la maintenance. Certaines de ses solutions ont été déployées dans des systèmes réels comme dans le trafic aérien. Il a plus de 40 articles publiés dans des journaux et 100 publications dans des conférences.
Vu-Linh NguyenUncertainty modeling/quantification and its applications in machine learning This talk shall discuss different ways to do uncertainty modeling/quantification and its application in set-valued prediction-making, uncertainty sampling, and classification with a reject option. The notions of epistemic/aleatoric uncertainty, credal uncertainties, and probabilistic uncertainties shall be recalled, followed by discussions on their potential (dis)advantages. Biography Vu-Linh Nguyen received his Bachelor's degree in Mathematics from the VNU University of Science (VNU-HUS), Vietnam (2013), a Master's degree in Knowledge Science from the Japan Advanced Institute of Science and Technology (JAIST), Japan (2015), and a Ph.D. degree in Computer Science from the University of Technology of Compiegne (UTC), France (2018). He was a postdoc at the Paderborn University (UPB), Germany (2018-2020) and the Eindhoven University of Technology (TU/e), The Netherlands (2020-2022).
He is a junior professor (Chaire de professeur junior) in trustworthy Artificial Intelligence at UTC. His research is devoted to uncertainty quantification and its application to machine learning, in particular multi-label classification, multi-dimensional classification, multi-class classification, ensemble learning, active learning, structured prediction making, learning from mixed data, and learning from imprecise data.
|
| Personnes connectées : 2 | Vie privée |
|
