|
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 et/ou apprenant des modèles 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 et d’apprendre ce type de graphes. Ces graphes peuvent ne pas être définis formellement, et généralement connus uniquement au travers un ensemble de mesures -- les données de type 'omics' en bioinformatique comme les données génomiques, transcriptomiques, protéomiques, etc; et les descripteurs topologiques pour les réseaux sociaux. 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.
Notre objectif dans cet atelier est d'offrir à la communauté une tribune de présentation, de synthèse, et de discussion de leurs résultats et idées dans le cadre de cette alliance : Apprentissage et Graphes pour la modélisation des systèmes complexes. Outre les présentations classiques de résultats de recherches, nous voulons encourager la présentation et la discussion d'idées novatrices, qui pourront être en friche et/ou en rupture avec les tendances actuelles.
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.
|
|
Contexte et objectifs |
|
Atelier AGS : Apprentissage et Graphes pour les Systèmes complexes |
|
AGS 2009 |
