Equipe Apprentissage

Responsable : Alain RAKOTOMAMONJY


Objectifs

L’objectif général consiste en l’étude des techniques de modélisation et d’apprentissage statistiques permettant d’appréhender la diversité des données (dimensionnalité, structures, non stationnarité) et la nature des solutions attendues (connaissances a priori).

Approche

  • Optimisation multi-critères (algorithmes évolutionnaires, calcul de chemin de régularisation)
  • Inférence de connaissances dans les masses de données
  • Modèles Bayésiens, Matching de graphes
  • Optimisation Apprentissage endurant et contexte (systèmes réactifs, adaptatifs, évolutifs en fonction du contexte)
  • Fusion d’information, combinaison de classifieurs, forêts aléatoires

Applications

  • Traitement automatique de l’écrit et des documents
  • Recherche d’Information
  • Bibliothèques numériques
  • Diagnostic
  • Interfaces cerveau-machine

Projets en cours

  • ANR ASAP (architectures profondes)
  • ANR ClasSel (classification croisée et sélection de variables)
  • ANR Genease (lab on a chip)
  • ANR DigiDoc (numérisation, document)
  • ANR JCJC Lemon (apprentissage multiobjectif)
  • GRR ET FEDER PlaIR (plateforme d'indexation régionale)
  • Evaluation de technologies de lecture automatique de documents (CASSIDIAN)
  • DocOnDemand (ITESOFT)
  • Interreg IVa DocExplore (Univ. Kent, UK)
Personnels
Réseaux de Recherche

Grands Réseaux de Recherche

Fédération de Recherche CNRS

Autres Réseaux

Mots clés
Graph matching SVM Deep Belief Neural Network Forêts aléatoires Optimisation multi-objectifs HMM Champs aléatoires Combinaison / fusion d’information