Lifo - Laboratoire d'Informatique Fondamentale d'orléans INSA Centre Val de Loire Université d'Orléans Université d'Orléans

Lifo > Les séminaires du LIFO

 English Version



Contact

LIFO - Bâtiment IIIA
Rue Léonard de Vinci
B.P. 6759
F-45067 ORLEANS Cedex 2

Email: contact.lifo
Tel: +33 (0)2 38 41 99 29
Fax: +33 (0)2 38 41 71 37



Les séminaires du LIFO


Accès par année : 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020

Sauf exception, les séminaires se déroulent le lundi de 14h à 15h, Salle de réunion 1, bâtiment IIIA (voir plan du campus).


09/03/2020 : Interactive mapping specification and repairing in the presence of policy views
Ugo Comignani (LIS) Résumé

02/03/2020 : TBAA
Antoine Cornuéjols (LRI) Résumé

03/02/2020 : TBA
Florent Becker (LIFO) Résumé

20/01/2020 : Confidentialité différentielle et Machine Learning
Vincent Thouvenot (Thales Group) Résumé


Résumés des séminaires


Interactive mapping specification and repairing in the presence of policy views Ugo Comignani, LIS

Data exchange between sources over heterogeneous schemas is an ever-growing field of study with the increased availability of data, oftentimes available in open access, and the pooling of such data for data mining or learning purposes. However, the description of the data exchange process from a source to a target instance defined over a different schema is a cumbersome task, even for users acquainted with data exchange. In this presentation, I will address the problem of allowing a non-expert user to specify a source-to-target mapping. To do so, I will describe the foundations of an interactive process in which users provide small examples of their data, and answer simple boolean questions in order to specify their intended mapping. The first contribution is a formal definition of the problem of interactive mapping specification, as well as a formal resolution process for which desirable properties are proved. Then, based on this formal resolution process I will describe how practical algorithms can be designed in order to reduce the number users interactions. Especially, I will describe how to make use of quasi-lattice structures to order the set of possible mappings to explore, and efficiently prune the space of explored mappings. Then, I will show how this pruning can be improved by extending the approach to the use of integrity constraints. Finally, I will present some experimental results over the open source prototype built from the described framework.


TBAA Antoine Cornuéjols, LRI

TBAA


TBA Florent Becker, LIFO

LPPR


Confidentialité différentielle et Machine Learning Vincent Thouvenot, Thales Group

Smartphone, carte d'abonnement, compteur intelligent énergétique, etc., les sources de données personnelles sont nombreuses. Si ces données peuvent apporter des fortes valeurs ajoutées, que ce soit aux citoyens, aux collectivités ou aux entreprises, celles-ci doivent être protégées. La réglementation autour de la donnée personnelle évolue et se renforce (voire la RGPD). L'anonymisation des données peut être utilisée pour les protéger. La confidentialité différentielle est une propriété mathématiques que l'on cherche à imposer à des mécanismes de bruitage appliqués pour protéger les individus. Dans cette présentation, après avoir défini les principes de base de la confidentialité différentielle, nous présenterons des exemples de l'Etat de l'Art sur son application en Machine Learning.