Participant 1 : Areski Himeur
Titre : Apprentissage de Réseaux de Contraintes sur des Langages de Contraintes Inconnus
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.
Participant 2 : Djawad Bekkoucha
Titre : Efficiently Mining Closed Interval Patterns with Constraint Programming
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.
Participant 3 : Arthur Ledaguenel
Titre : Improving Neural-based Classification with Logical Background Knowledge.
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.
