Responsable : Younès BENNANI, Professeur USPN

 

Le thème central de l’équipe-projet IA&SD est l’apprentissage à partir de données complexeset d’apprenants collaboratifs, avec un accent sur le paradigme non supervisé. Les principaux axes des contributions se focalisent autour du clustering multi-modèles (multi-vues, collaboratif et fédératif), l’apprentissage par transfert, l’apprentissage à partir de données structurées, ou encore l’apprentissage profond non-supervisé de représentations. L’équipe-projet IA&SD a une position historique forte en apprentissage non supervisé et une grande partie de ses recherches se situent dans ce domaine. Les contributions l’équipe-projet IA&SD abordent à la fois des recherches à caractère fondamental ainsi que des recherches plus appliquées, le plus souvent soutenues par des projets collaboratifs académiques et industriels. Les contributions théoriques et algorithmiques sont souvent développées en même temps que des applications dans différents domaines tels que : qualité et anonymisation de données, santé numérique, chirurgie augmentée, marketing digital et recommandation, diagnostic des systèmes complexes, analyse des réseaux sociaux, cyber-sécurité, FinTech, arts et numérique, …
Les recherches de l’équipe-projet IA&SD s’organisent en trois grands thèmes :

– Apprentissage non supervisé multi-modèles :
IA&SD s’intéresse à l’élaboration de méthodes d’apprentissage collaboratif et multi-vues pour des données distribuées et hétérogènes à travers des formalismes émergeants tels que l’apprentissage quantique ou la théorie du transport optimal.

– Apprentissage par transfert :
Les membres de l’équipe-projet IA&SD cherchent à développer des approches qui détectent et évitent le transfert négatif des connaissances, notamment dans le cadre de la théorie du transport optimal et la factorisation matricielle non négative.

– Apprentissage à partir de données structurées :
Des approches collaboratives et hiérarchiques ont été proposées pour aborder différentes problématiques telles que : Partitionnement des grands graphes en communautés ; Prévision de liens ; Analyse de graphes multiplexes.