DatInG : Data Intelligence Group

Équipe MAGNET

MAchine learninG in information NETworks.

Responsable: Marc Tommasi

PRÉSENTATION MEMBRES THÈSES PUBLICATIONS

Présentation

Magnet est une équipe commune entre l'université de Lille au sein de CRIStAL et Inria Lille Nord Europe.

Présentation : Le projet de l'équipe Magnet consiste en la définition de méthodes et modèles d'apprentissage automatique au sein de réseaux d'informations. Ces réseaux sont des collections d'informations hétérogènes organisées sous la forme de grands graphes dont les liens sont explicitement fournis (réseaux d'interactions, hyperliens, réseaux sociaux) ou sous-jacents induits par une similarité. On s'intéresse de façon privilégiée aux réseaux d'information présents dans Internet qui se caractérisent par de grands volumes de données hétérogènes où la dimension textuelle est omniprésente. Les objectifs envisagés sont les systèmes de veille, de recherche et d'extraction d'informations, et de recommandation. Dans ce but, on entend étudier les tâches de détection d'entités et de co-références, d'extraction de structures temporelles et rhétoriques, et de fouille d'opinions dans un cadre multi-documents.

Axes de recherche :

  • Nous proposons des approches basées sur l'apprentissage statistique, en présence de données représentées sous forme de graphes, dans un cadre semi-supervisé et non supervisé. Les recherches peuvent se décliner selon les axes suivants :
  • Découverte de structures : prédiction structurée pour les textes, prédiction de liens, clustering, estimation de densités dans les graphes. * Combinaisons de représentations et de méthodes d'apprentissage pour la manipulation de données hétérogènes. * Exploitation de la structuration sous forme de graphes des données pour la classification, la diffusion et la recommandation.

Membres

Permanents

  • Professeur
    • Marc Tommasi (Responsable)
  • Directeur de recherche
    • Jan Ramon
  • Maîtres de conférences
    • Mikaela Keller
    • Joël Legrand
    • Fabien Torre
  • Chargés de recherche
    • Aurélien Bellet
    • Pascal Denis

Non permanents

  • Professeur
    • Rémi Gilleron (Emérite)
  • Doctorants
    • Mahsa Asadi
    • Mathieu Dehouck
    • Onkar Pandit
    • Arijus Pleska
    • Brij Mohan Lal Srivastava
    • Mariana Vargas Vieyra
  • Ingénieurs
    • William De Vazelhes
    • César rufino Sabater

Mahsa Asadi

Apprentissage et graphiques décentralisés

Mathieu Dehouck

Graph-based Learning for Multi-lingual and Multi-domain Dependency Parsing

Onkar Pandit

Graph-based Machine Learning for Linguistic Structure Prediction

Arijus Pleska

Tractable probabiistic models for large scale networks

Brij Mohan Lal Srivastava

Decentralized Machine Learning under Constraints

Mariana Vargas Vieyra

Adaptive Graph Learning with Applications to Natural Language Processing

Géraud Le Falher

Caractérisation des arêtes dans les graphes signés et attribués 2018-04-16

David Chatel

Partitionnement semi-supervisé dans les graphes 2017-12-07

Pauline Wauquier

Task driven representation learning 2017-05-29

Thomas Ricatte

Recherche d'information par méthodes d'apprentissage dans un contexte de business intelligence 2015-01-23

Les autres équipes de ' DatInG : Data Intelligence Group '

LINKS SIGMA SequeL