Le groupe de travail CAVIAR vous propose une activité dédiée aux doctorants avec un programme qui s’étalera sur l’année. L’idée du DP-CAVIAR (doctoral Caviar Program) est de donner l’occasion à nos doctorants de présenter leurs travaux sous la forme d’un séminaire en ligne d’une heure (une demi-heure de présentation + une demi-heure de discussion) en présence d’un petit comité qui désignera le gagnant du prix de la meilleure présentation à la fin de l'année. Les présentations seront ouvertes à tout le monde. Nous organiserons au moins une présentation par mois (idéalement un vendredi entre 10h et 12h) à partir du mois de janvier prochain et jusqu’à fin juin. Le comité se réunira en juillet pour désigner le gagnant qui recevra une somme d’argent de 200 euros. Le comité est formé de :
Les présentations sont enregistrées et disponibles sur la chaîne YouTube du groupe de travail. Le comité évalue chaque présentation selon les critères suivants :
Date : Le 02/02/2024 à 11h
Résumé : L'acquisition de contraintes consiste à apprendre un réseau de contraintes à partir d'exemples de solutions et de non-solutions. Les méthodes d'acquisition de contraintes existantes requièrent généralement que le langage de contraintes du réseau cible soit connu à l'avance, ce qui réduit considérablement le champ d'application de ces méthodes. Nous proposons une méthode d'acquisition de contraintes qui détermine un langage de contraintes approprié au sein du processus d'apprentissage, éliminant ainsi la nécessité d'une connaissance préalable.
Date : Le 01/03/2024 à 10h
Résumé : Constraint programming (CP) has become increasingly prevalent in recent years for performing pattern mining tasks, particularly on binary datasets. While numerous CP models have been designed for mining on binary data, there does not exist any model designed for mining on numerical datasets. Therefore these kinds of datasets need to be pre-processed to fit the existing methods. Afterward a post-processing is also required to recover the patterns into a numerical format. This paper presents two CP approaches for mining closed interval patterns directly from numerical data. Our proposed models seamlessly execute pattern mining tasks without any loss of information or the need for pre- or post-processing steps. Experiments conducted on different numerical datasets demonstrate the effectiveness of our proposed CP models compared to other methods.
Date : Le 05/04/2024 à 10h
Résumé : Mon travail consiste à étudier des techniques neurosymboliques permettant d'exploiter de la connaissance logique a priori sur un ensemble de classes afin d'améliorer la performance d'un système de classification basé sur l'apprentissage profond. J'étudie plus particulièrement les techniques exploitant la logique propositionnelle probabiliste et qui agissent sur la fonction de perte du système ou sur le processus d'inférence.