Atelier AGS : Apprentissage et Graphes pour les Systèmes complexes

Chambéry, 17 Mai 2011
CAP’11

Contexte et objectifs

L’apprentissage automatique est actuellement au centre d’une révolution «structurée». Ces dernières années, de nombreux chercheurs se sont intéressés à des problématiques traitant des données représentées par des entités inter-connectées dans des graphes complexes (par exemple : réseaux biologiques, réseaux sociaux , etc). Dans ce contexte, un intérêt considérable est porté au développement de modèles d’apprentissage appropriés permettant de traiter ce type de graphes. Par ailleurs, des problèmes complexes de toute nature peuvent être modélisés par des outils issus de la théorie des graphes avec des fondements théoriques confirmés. Cet atelier vise à allier l’apprentissage automatique et la théorie des graphes pour répondre à des problématiques au centre même de l’apprentissage artificiel et systèmes complexes en particulier : inférence, classification, prédiction, discrimination, modélisation, intégration/fusion de données, etc.

Nous encourageons les soumissions abordant les thèmes suivants (liste non exhaustive) :

Méthodes :
    - Fouille de données sous contraintes
    - Algorithmes de graphes
    - Paramètres et structures dans les graphes
    - Intégration/fusion de données
    - Clustering/Biclustering
    - Méthodes à base de noyaux de graphe
    - Modèles graphiques probabilistes
    - Modèles hybrides à base de graphes
    - Apprentissage relationnel
    - Apprentissage semi-supervisé
    - Prédiction de données structurées
    - …

Applications :
    - Biologie systémique :  Réseaux de régulation, Réseaux de signalisation, Réseaux d'interaction protéines/protéines, Réseaux métaboliques, etc.
    - Réseaux sociaux : Collaboration, Co-citation, Co-publication
    - Web, Santé, Diagnostic industriel, Traitement et extraction d’information à partir de textes structurés, etc.