Soutenance de thèse de Vincent Labbé

Bonjour,
j'ai le plaisir de vous inviter à ma soutenance de thèse intitulée :
"Modélisation et apprentissage des préférences appliqués à la
recommandation dans les systèmes d'impression"
qui sera présentée le mardi 22 Septembre 2009 à 10h00 au Laboratoire
d'Informatique de Paris 6 (LIP6), situé au 104 avenue du Président
Kennedy, 75016 Paris, salle 549, ainsi qu'au pot qui suivra.
(Plan d'accès disponible à : http://www.lip6.fr/informations/comment.php),

Cette thèse sera présentée devant le Jury composé de :

Mr Jérôme Lang, Directeur de recherche CNRS à l'Institut de Recherche
en Informatique de Toulouse (Rapporteur)
Mr Gilles Coppin, professeur à Telecom Bretagne (Rapporteur)
Mr Thierry Artières, Professeur à l'Université Pierre et Marie Curie -
Paris 6 (Examinateur)
Mme Brigitte Trousse, Responsable scientifique (Examinateur)
Mme Bernadette Bouchon-Meunier, Directeur de recherche CNRS à
l'Université Pierre et Marie Curie - Paris 6 (Directeur)
Mr Nicolas Labroche, Maître de conférence à l'Université Pierre et
Marie Curie - Paris 6 (Encadrant)
Mr Stéphane Berche, Responsable industriel (Encadrant)

Cordialement

Vincent Labbé

Résumé :
Cette thèse porte sur la modélisation et l'apprentissage automatique des
préférences, dans le contexte industriel de l'impression en grand format. En
particulier, nous nous intéressons à l'automatisation de la
configuration d'impression.
De par la palette des comportements possibles, cette fonctionnalité n'est
triviale, ni à concevoir, ni à utiliser. Nous proposons une
nouvelle approche pour en améliorer les deux aspect complémentaires :
évolutivité et utilisabilité.
Notre réalisation principale est un système de recommandation
adaptatif, basé sur trois contributions originales :
* une modélisation de la configuration d'impression grand format à partir
d'un modèle de préférence, sous la forme de problèmes d'optimisation sous
contraintes,
* un modèle des préférences de l'imprimeur, sous la forme de fonctions
d'utilité additive linéaires par morceaux, basée sur une famille
d'attributs adaptée,
* un algorithme d'apprentissage automatique d'ordonnancements à partir
de données comparatives.
Basé sur l'algorithme rankSVM (noyau linéaire), notre méthode
d'apprentissage permet d'adapter la complexité de l'espace de
description des données, tout en conservant la linéarité.