Soutenance de thèse - Thomas Baerecke - jeudi 22 octobre 2009 - 14h30

Bonjour,

J'ai le plaisir de vous inviter à ma soutenance de thèse intitulée :

Isomorphisme inexact de graphes par optimisation évolutionnaire

qui aura lieu le jeudi 22 octobre à 14h30 au LIP6, salle 549.

---------------------
Résumé
---------------------

L'isomorphisme inexact de graphes est un problème crucial pour la
définition d'une distance entre graphes, préalable nécessaire à une
multitude d'applications allant de l'analyse d'images à des applications
biomédicales en passant par la reconnaissance optique de caractères. Ce
problème est encore plus complexe que celui de l'isomorphisme exact.
Alors que ce dernier est un problème de décision de complexité au moins
de classe P et qui ne s'applique qu'à des graphes exactement identiques,
l'isomorphisme inexact est un problème combinatoire de complexité de
classe NP qui permet de prendre en compte des perturbations dues au
bruit, qui apparaissent fréquemment dans les applications réelles.

Dans ce cadre, nous choisissons d'étudier une solution basée sur les
algorithmes génétiques pouvant être appliquée à l'isomorphisme exact et
inexact. Nous proposons des opérateurs de croisement généraux pour tout
problème représenté par un codage de permutation, ainsi que des
opérateurs spécifiques à l'isomorphisme de graphes qui exploitent une
heuristique gloutonne. Nous réalisons une étude exhaustive pour comparer
ces opérateurs avec les opérateurs existants, soulignant leurs
propriétés, avantages et inconvénients respectifs.

Nous étudions par ailleurs plusieurs pistes d'amélioration de
l'algorithme, en théorie ou en pratique, considérant successivement les
objectifs d'accélération de l'exécution, d'augmentation de la précision
et de garantie de résultat optimal. Nous proposons pour cela de combiner
l'approche proposée avec d'autres techniques telles que des heuristiques
générales comme la recherche locale, des heuristiques dédiées comme
l'algorithme A*, et des outils pratiques comme la parallélisation.

Ces travaux conduisent à la définition d'une méthode générique pour la
résolution de tous les problèmes d'isomorphismes de graphes, qu'il
s'agisse d'isomorphismes exact ou inexact, d'isomorphismes de graphes de
même taille ou d'isomorphismes de sous-graphes. Nous illustrons enfin la
validité de cette solution générale par trois applications concrètes
issues de domaines différents, la recherche d'images et la chimie, qui
présentent chacune des caractéristiques spécifiques, utilisant des
graphes attribués ou non, soumis aux perturbations plutôt structurelles
ou au niveau d'attributs.

---------------------
Composition du Jury
---------------------

Mme Bernadette Bouchon-Meunier, Directeur de recherche, CNRS (Directeur)
M Marcin Detyniecki, Chargé de recherche, CNRS, HDR (Encadrant)
M Patrick Gallinari, Professeur à l'Université Paris VI (Examinateur)
Mme Evelyne Lutton, Directeur de recherche, INRIA (Rapporteur)
Mme Michèle Sebag, Directeur de recherche, CNRS (Rapporteur)
M El-Ghazali Talbi, Professeur à l'Université de Lille I (Examinateur)

La soutenance sera suivie d'un pot "germanique" auquel vous êtes
cordialement invités.

Bien cordialement,

Thomas Baerecke

Bureau 623
Laboratoire d'Informatique de Paris 6
104 avenue du Président Kennedy
75016 Paris
Tel : 01 44 27 88 03
Fax : 01 44 27 70 00
Plan d'accès : http://www.lip6.fr/informations/comment.php

Invitation à la soutenance de thèse de Mathieu Bouet (20 octobre à 15h)

Bonjour,

J'ai le plaisir de vous inviter à ma soutenance de thèse intitulée :
"Localisation en trois dimensions de tags RFID basée sur les
informations de connectivité."

La soutenance se déroulera le :

==========
Mardi 20 Octobre à 15h00 au LIP6, salle 549 - 5ème étage (Site Passy-Kennedy)
==========

Vous êtes également invités au pot qui suivra.

=========
Résumé
=========

La radio-identification (RFID) est une méthode pour lire à distance
des identifiants contenus dans des appareils électroniques appelés
tags. Cette technologie qui permet la traçabilité des personnes et des
objets est amenée à supporter le développement de services
ambiant-intelligents en associant une position à chaque identité. Dans
cette thèse, nous proposons une nouvelle approche générale pour la
localisation des tags. Elle repose sur les données intrinsèques de ces
systèmes: les informations de connectivité. Celles-ci sont converties
en contraintes topologiques afin de délimiter la zone de présence de
chaque tag. Notre approche supporte l'hétérogénéité des équipements,
des environnements et l'estimation de positions 3-D. Nous la
développons en proposant deux méthodes de localisation. La première,
OpTop, repose sur une technique d'optimisation où une fonction-coût et
un ensemble de contraintes relatives à la position du tag sont définis
à partir des informations de connectivité. La seconde, L-VIRT,
consiste à discrétiser l'espace pour délimiter l'intersection du
maximum de contraintes topologiques relatives au tag et ainsi son
volume de présence.

=========
Abstract
=========

Radio-identification (RFID) enables remote identification and tracking
of people and objects. Researchers envisage this technology to support
the development of ambient-intelligent services when tag's identifier
can be associated with its position. This work proposes a new approach
for the localization of RFID tags. It applies intrinsic data of
radio-identification systems: connectivity information. These data are
converted into topological constraints to delimit the zone of presence
of each tag. Thus, our approach considers heterogeneous equipment and
environments, as well as position estimation in three dimensions. We
employ our approach to develop two localization methods: OpTop and
L-VIRT. The former is based on an optimization technique where a cost
function and a set of constraints relative to the location of the tag
are defined using connectivity information. The latter consists in
discretizing the space to delimit the intersection between the maximum
inclusive and exclusive topological constraints relative to the tag.

========
Jury
========
- Guy PUJOLLE, professeur à l'Université Pierre et Marie Curie
(directeur de thèse)
- Philippe JACQUET, directeur de recherche à l'INRIA (rapporteur)
- David SIMPLOT-RYL, professeur à l'Université Lille 1 (rapporteur)
- Vania CONAN, ingénieur de recherche à Thalès Communications (examinateur)
- Laurent REYNAUD, ingénieur de recherche à Orange Labs (examinateur)
- Pierre SENS, professeur à l'Université Pierre et Marie Curie (examinateur)

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

Cordialement,

Mathieu Bouet

--
Mathieu BOUET
Mathieu.Bouet@lip6.fr

Ph.D. Student
Université Pierre et Marie Curie
Laboratoire d'Informatique de Paris 6 (LIP6)
http://www-phare.lip6.fr/~bouet/

Soutenance de thèse de Francis Maes

J'ai le plaisir de vous inviter à la soutenance de ma thèse ainsi qu'au
pot qui suivra.

Titre de la thèse:
"Apprentissage dans les Processus de Décision Markoviens pour la Prédiction
Structurée,
Applications à l'étiquetage de séquences, la transformation d'arbres et
l'apprentissage dans les problèmes de recherche combinatoire"

La soutenance se déroulera le jeudi 15 octobre à 14h00 au LIP6, salle 549
- 5ème étage (Site Passy-Kennedy).

=========
Résumé
=========
De nombreux problèmes d'apprentissage supervisé font intervenir des
sorties complexes : séquences, arbres ou graphes. La prédiction de sorties
structurées pose d'importants défis, liés à la nature combinatoire du
problème. Récemment, la prédiction structurée incrémentale, une approche
générale et de faible complexité, a été proposée pour attaquer ces
problèmes sous l'angle de la prise de décisions séquentielles.

Dans cette thèse, je m'inscris dans cette approche et propose une nouvelle
formulation basée sur le cadre des processus de décision Markoviens
(PDMs). Cela permet d'utiliser des algorithmes d'apprentissage par
renforcement pour résoudre les problèmes de prédiction structurée et de
traiter des problèmes particulièrement complexes qu'aucun algorithme
n'était en mesure de résoudre jusqu'alors. En plus de cette contribution
majeure, je propose un nouvel algorithme d'apprentissage de politiques
basé sur l'apprentissage d'une fonction d'ordonnancement d'actions.

La validation est effectuée sur deux tâches: l'étiquetage de séquences et
la transformation d'arbres. Les résultats obtenus sur les séquences sont
compétitifs avec l'état de l'art et pour certains significativement
meilleurs. La transformation d'arbres est un des problèmes d'apprentissage
statistique les plus complexes abordés à ce jour et pour lequel il
n'existait aucun modèle applicable. Je démontre l'efficacité de
l'apprentissage par renforcement pour ce problème sur cinq jeux de
données, dont deux à très large échelle.

L'ensemble du code source développé au cours de cette thèse est testé,
documenté et publié en code-ouvert dans le Journal of Machine Learning
Research.

========
Jury
========
- Boris Chidlovskii, Centre de recherche Xerox Europe, Examinateur
- Ludovic Denoyer, Maitre de conférence à l'université Pierre et Marie
Curie (Paris 6), Encadrant de these
- Patrick Gallinari, Professeur à l'université Pierre et Marie Curie
(Paris 6), Directeur de these
- Rémi Gilleron, Professeur à l'université de Lille 3, Rapporteur
- Olivier Sigaud, Professeur à l'université Pierre et Marie Curie (Paris
6), Examinateur
- Jean-Philippe Vert, Mines ParisTech et Institut Curie, Examinateur
- Louis Wehenkel, Professeur à l'université de Liège, Rapporteur

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

Cordialement,

Francis MAES.

Soutenance de thèse de Vinh Truong

Bonjour,

désolé pour les réceptions multiples.

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)
- Patrice PERNY, professeur à l'Université Pierre et Marie Curie
(examinateur)
- François YVON, professeur à l'Université Paris Sud 11 (rapporteur)

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

Cordialement,

Vinh TRUONG