Soutenance de thèse de Vinh Truong

Bonjour,

J'ai le plaisir de vous inviter à la soutenance de ma thèse intitulée :
"Apprentissage de fonctions d'ordonnancement avec peu de données étiquetées:
une application au routage d'information, au résumé de textes et au
filtrage collaboratif."

La soutenance se déroulera le :

==========
jeudi 8 octobre à 14h00 au LIP6, salle 549 - 5ème étage (Site Passy-Kennedy)
==========

Vous êtes aussi invités au pot qui suivra.

=========
Résumé
=========

La communauté d'apprentissage s'est récemment intéressée aux fonctions
d'ordonnancement. Ces fonctions cherchent à comparer les entrées entre
elles et à les retourner sous la forme d'une liste ordonnée.
Cependant, l'apprentissage nécessite une grande base de données
étiquetées, dont la création est en général coûteuse.

Dans ce mémoire, nous avons cherché à réduire le nombre d'exemples
étiquetés pour l'apprentissage des fonctions d'ordonnancement. Nous avons
abordé cette problématique sous deux angles différents. En premier lieu,
nous avons cherché à améliorer les performances en apprentissage supervisé
en exploitant l'information contenue dans un grand nombre de données non
étiquetées. Ce cadre est connu sous le terme d'apprentissage
semi-supervisé. En deuxième lieu, nous avons considéré l'apprentissage
actif, dont le but est de construire itérativement la base
d'apprentissage. L'objectif est de sélectionner les meilleures entrées à
étiqueter pour réduire au maximum le nombre de données étiquetées.

Dans une première partie, nous présentons nos modèles en apprentissage
semi-supervisé puis actif pour l'ordonnancement dit biparti. Nos modèles
sont des extensions des méthodes SVM et de boosting. Nous nous sommes
notamment intéressés à développer des modèles de faible complexité pour
pouvoir traiter un grand nombre de données non–étiquetées. Dans une
deuxième partie, nous considérons plusieurs applications de recherche en
information touchées par notre problématique : le routage d'information,
le résumé automatique de textes et le filtrage collaboratif. Cette partie
permet de valider nos modèles et de montrer l'intérêt de l'ordonnancement
pour le filtrage collaboratif.

========
Jury
========
- Massih Réza AMINI, agent de recherche au CNRC (directeur de thèse)
- Patrick GALLINARI, professeur à l'Université Pierre et Marie Curie
(directeur de thèse)
- Éric GAUSSIER, professeur à l'Université Joseph Fourier (rapporteur)
- Yves GRANDVALET, chercheur CNRS à l'Université Technologique de
Compiègne (examinateur)
- François YVON, professeur à l'Université Paris Sud 11

========
Accès
========
LIP6 : 104 avenue du président Kennedy, 75016 Paris.
Plan d'accès : http://www.lip6.fr/fr/informations/comment.html
Demander un badge visiteur à l'accueil et prévoir une pièce d'identité.

Cordialement,

Vinh TRUONG