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.

Antoine Barczewski

Apprentissage automatique décentralisé respectueux de la vie privée

Moitree Basu

Integrated privacy-preserving AI

Ioan-tudor Cebere

Privacy-Preserving Machine Learning

Edwige Cyffers

Apprentissage automatique décentralisé respectueux de la vie privée

Marc Damie

Protocoles sécurisés pour un apprentissage machine décentralisé et vérifiable

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

Gaurav Maheshwari

Apprendre des représentations fiables pour le traitement du langage naturel

Paul Mangold

Optimisation décentralisée et respectueuse de la confidentialité des données pour l'apprentissage statistique

Arijus Pleska

Tractable probabiistic models for large scale networks

Les autres équipes du groupe thématique ' DatInG '

LINKS SCOOL SIGMA