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

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


04/06/2018 : Time Series Constrained Clustering, with Application to Remote Sensing
Thomas Lampert (ICUBE, Université de Strasbourg ) Résumé

10/04/2018 : Soutenance de thèse : Discrétisation automatique de machines à signaux en automates cellulaires.
Tom Besson (LIFO) Résumé
Attention : Débute à 15 h. Lieu : Amphithéâtre Herbrand, bâtiment 3IA

14/03/2018 : Soutenance d'habilitation à diriger des recherches
Thi-Bich-Hanh Dao (LIFO) Résumé
Attention : Débute à 10 h 30. Lieu : Amphithéâtre Herbrand, bâtiment 3IA

12/03/2018 : Self-monitoring approximation algorithms
Henning Fernau (Universität Trier - Allemagne) Résumé

29/01/2018 : Introduction to Multi-Armed Bandits
Marta Soare (LIFO (CA)) Résumé

Résumés des séminaires


Time Series Constrained Clustering, with Application to Remote Sensing Thomas Lampert, ICUBE, Université de Strasbourg
Constrained clustering is becoming an increasingly popular approach in data mining. It offers a balance between the complexity of producing a formal definition of thematic classes---required by supervised methods---and unsupervised approaches, which ignore expert knowledge and intuition. Nevertheless, the application of constrained clustering to time-series analysis is relatively unknown. In this seminar we will explore popular constrained clustering algorithms, discuss their modification to use with time-series, and explore which factors influence an algorithm's performance when constraints are introduced. We will then discuss their application to high-resolution image time-series, and how the introduction of constraints aids a user in exploring such data.


Soutenance de thèse : Discrétisation automatique de machines à signaux en automates cellulaires. Tom Besson, LIFO
Dans le contexte du calcul géométrique abstrait, les machines à signaux ont été développées comme le pendant continu des automates cellulaires capturant les notions de particules, de signaux et de collisions. Une question importante est la génération automatique d'un AC reproduisant la dynamique d'une machine à signaux donnée. D'une part, il existe des conversions ad hoc. D'autre part, ce n'est pas toujours possible car certaines machines à signaux présentent des comportements « continus ». Par conséquent, la discrétisation automatique de telles structures est souvent complexe et pas toujours possible. Cette thèse propose trois manières différentes de discrétiser automatiquement les machines à signaux en automates cellulaires, avec ou sans approximation possible. La première s'intéresse à une sous-catégorie de machines à signaux, qui présente des propriétés permettant d'assurer une discrétisation automatique exacte pour toute machine de ce type. La deuxième est utilisable sur toutes les machines mais ne peut assurer ni l'exactitude ni la correction du résultat. La troisième s'appuie sur une nouvelle expression de la dynamique d'une machine à signaux pour proposer une discrétisation. Cette expression porte le nom de modularité et est décrite avant d'être utilisée pour discrétiser.


Soutenance d'habilitation à diriger des recherches Thi-Bich-Hanh Dao, LIFO
La programmation par contraintes est un paradigme puissant pour résoudre des problèmes combinatoires. Je présente mes travaux sur l’application de la programmation par contraintes au traitement automatique des langues et à la fouille de données. En traitement automatique des langues, nous nous intéressons à l’analyse syntaxique des grammaires de propriétés, décrites par des propriétés que doivent satisfaire les énoncés grammaticaux. Nous définissons une sémantique formelle en théorie des modèles et formalisons l’analyse syntaxique comme un problème d’optimisation sous contraintes. Nous développons un modèle en programmation par contraintes, ce qui amène à un analyseur entièrement à base de contraintes. En fouille de données, nous considérons le problème de classification non supervisée (clustering) sous contraintes utilisateur, qui vise à partitionner les objets en groupes homogènes, étant donnés une mesure de dissimilarité entre objets et un ensemble de contraintes utilisateur à satisfaire. Nous développons un cadre déclaratif qui intègre plusieurs critères d’optimisation principaux de clustering et tous types de contraintes utilisateur populaires. Nous montrons que sa flexibilité permet de trouver la frontière de Pareto pour des problèmes de clustering bi-objectif sous contraintes. Nous améliorons davantage l’efficacité l’approche en développant des contraintes globales dédiées aux critères d’optimisation de clustering. Nous explorons plusieurs nouveaux problèmes de clustering avec des contraintes et montre que la programmation par contraintes constitue un cadre flexible et efficace pour les résoudre.


Self-monitoring approximation algorithms Henning Fernau, Universität Trier - Allemagne
Reduction rules are one of the key techniques for the design of parameterized algorithms. They can be seen as formalizing a certain kind of heuristic approach to solving hard combinatorial problems. We propose to use such a strategy in the area of approximation algorithms. One of the features that we may gain is a self-monitorin} property. This means that the algorithm that is run on a given instance I can predict an approximation factor of the solution produced on I that is often (according to experiments) far better than the theoretical estimate that is based on a worst-case analysis.


Introduction to Multi-Armed Bandits Marta Soare, LIFO (CA)
A multi-armed bandit model is a simple framework that captures the exploration-exploitation trade-off that a learning agent needs to solve when facing an unknown and uncertain environment: The learning agent gets to sequentially choose "arms" (options/actions) available in the environment and has to infer their associated values based on the "rewards" (observations) returned by the environment as a response to the agent's choice. Given an objective, typically that of maximizing the cumulative reward, the agent can decide to "exploit" the information acquired thus far about the environment (keep selecting the arm with the seemingly largest reward), or to "explore" the arms whose associated value is more uncertain. This is a dynamic research topic with a wide range of applications, including clinical trials for deciding on the best treatment to give to a patient, on-line advertisements and recommender systems, or game playing. In this introduction we will present one of the simplest version of this problem, that of a stochastic multi-armed bandit game, and we will review some algorithms for optimally solving the arm selection problem.