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 INRIA et CRIStAL.

L’un des principaux objectifs de Magnet est de rendre l’intelligence artificielle plus acceptable pour la société en résolvant certains problèmes éthiques en apprentissage automatique et en favorisant la prise de contrôle et la souveraineté des citoyens. D’un point de vue scientifique, nous nous concentrons sur la protection de la vie privée, l’équité et la sobriété (des données), la sûreté et la vérifiabilité des calculs. Nos approches sont généralement issues de la théorie de l’apprentissage statistique, de l’optimisation (distribuée), de la théorie des graphes, de l’apprentissage de représentation.

Principalement, nous proposons des garanties théoriques en apprentissage automatique, mais nous envisageons également des travaux plus empiriques dans des domaines qui couvrent la santé, la mobilité, les sciences sociales et les technologies vocales.

Thèmes de recherche

Notre recherche s’articule autour de trois axes principaux :

  • Extraction et apprentissage dans les graphes : nous étudions le compromis entre la précision, la complexité et la satisfaction de propriétés éthiques des algorithmes d’apprentissage basés sur les graphes.

  • Apprentissage automatique pour le traitement du langage naturel : nous étudions comment améliorer les méthodes de traitement du langage naturel avec des algorithmes d’apprentissage basés sur les graphes et comment intégrer des contraintes éthiques dans cet apprentissage. L’objectif est de dépasser les approches vectorielles basiques pour résoudre des tâches nombreuses et variées telles que la résolution de coréférences et l’établissement de liens entre entités, la prédiction de structures temporelles et l’analyse syntaxique du discours.

  • Apprentissage automatique décentralisé : nous abordons le problème de l’apprentissage respectueux de la vie privée, sûr, équitable et économe en énergie lorsque les utilisateurs et les données sont naturellement distribués dans un réseau. D’un point de vue algorithmique, nous étudions l’apprentissage fédéré et l’apprentissage entièrement décentralisé. Nous considérons également la recherche à un niveau global et holistique, dans des pipelines complexes qui impliquent l’apprentissage.

Antoine Barczewski

Apprentissage automatique décentralisé respectueux de la vie privée

Moitree Basu

Integrated privacy-preserving AI

Edwige Cyffers

Apprentissage automatique décentralisé respectueux de la vie privée

Ioan-tudor Cébère

Privacy-Preserving Machine Learning

Marc Damie

Protocoles sécurisés pour un apprentissage machine décentralisé et vérifiable

Brahim Erraji

L'équité dans l'apprentissage fédéré

Aleksei Korneev

Technologies fiables et multi-sites renforçant le respect de la vie privée

Dinh-viet-toan Le

Approches de traitement automatique du langage naturel dans le domaine musical : adaptabilité, performance et limites

Bastien Lietard

Modèles Computationnels pour le Changement Sémantique Lexical

Gabriel Loiseau

Apprentissage par Transfert Préservant la Confidentialité et l’Utilité pour l’Anonymisation de Texte

Gaurav Maheshwari

Apprendre des représentations fiables pour le traitement du langage naturel

Clément Pierquin

Intelligence artificielle et génération de données synthétiques sous contraintes de confidentialité

Aurélien Said housseini

Modélisation cognitive computationnelle de la mémoire sémantique et son acquisition

Les autres équipes du groupe thématique ' DatInG '

SCOOL SIGMA