Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Les deux révisions précédentes Révision précédente
Prochaine révision
Révision précédente
presentations-invitees [2017/06/02 12:27]
niveau
presentations-invitees [2017/06/06 14:08]
niveau
Ligne 112: Ligne 112:
  
  
-===== Michael ​Perrot (vendredi 9h) =====+===== Michaël ​Perrot (vendredi 9h) =====
  
-Michael ​Perrot est le lauréat du prix de thèse 2017 de l'​AFIA,​ ex-æquo avec Éric Piette.+Actuellement en contrat post-doctoral au MPI de Tuebingen en Allemagne, Michaël ​Perrot est le lauréat du prix de thèse 2017 de l'​AFIA,​ ex-æquo avec Éric Piette.
  
-Son site web : http://perso.univ-st-etienne.fr/pem82055+Son site web : https://is.tuebingen.mpg.de/de/people/​mperrot 
 + 
 +==== Learning Metrics with Controlled Behaviour ==== 
 + 
 +The goal in Machine Learning is to acquire new knowledge from data. To achieve this many algorithms make use of a notion of distance or similarity between examples. A very representative example is the nearest neighbour classifier which is based on the idea that two similar examples should share the same label: it thus critically depends on the notion of metric considered. Depending on the task at hand these metrics should have different properties but manually choosing an adapted comparison function can be tedious and difficult. The idea behind Metric Learning is to automatically tailor such metrics to the problem at hand. 
 +One of the main limitation of standard methods is that the control over the behaviour of the learned metrics is often limited. In this talk I will present two approaches specifically designed to overcome this problem. In the first one we consider a general framework able to take into account a reference metric acting as a guide for the learned metric. We are then interested in theoretically studying the interest of using such side information. In the second approach we propose to control the underlying transformation of the learned metric. Specifically we use some recent advances in the field of Optimal Transport to force it to follow a particular geometrical transformation.
  
  
 ===== Éric Piette (vendredi 14h) ===== ===== Éric Piette (vendredi 14h) =====
  
-Éric Piette est le lauréat du prix de thèse 2017 de l'​AFIA,​ ex-æquo avec Michael Perrot.+Actuellement Attaché Temporaire à l'​Enseignement et à la Recherche (ATER) au Centre de Recherche en Informatique de Lens (CRIL), ​Éric Piette est le lauréat du prix de thèse 2017 de l'​AFIA,​ ex-æquo avec Michael Perrot.
  
 Son site web : http://​www.cril.univ-artois.fr/​~epiette/​ Son site web : http://​www.cril.univ-artois.fr/​~epiette/​
  
 +
 +==== Une nouvelle approche au General Game Playing dirigée par les contraintes ====
 +
 +Développer un programme capable de jouer à n’importe quel jeu de
 +stratégie, souvent désigné par le General Game Playing (GGP) constitue
 +un des Graal de l’intelligence artificielle. Les compétitions GGP, où
 +chaque jeu est représenté par un ensemble de règles logiques au travers
 +du Game Description Language (GDL), ont conduit la recherche à
 +confronter de nombreuses approches incluant les méthodes de type Monte
 +Carlo, la construction automatique de fonctions d’évaluations,​ ou la
 +programmation logique et ASP. De par cette thèse, nous proposons une
 +nouvelle approche dirigée par les contraintes stochastiques.
 +
 +Dans un premier temps, nous nous concentrons sur l’élaboration d’une
 +traduction de GDL en réseaux de contraintes stochastiques (SCSP) dans le
 +but de fournir une représentation dense des jeux de stratégies et
 +permettre la modélisation de stratégies.
 +
 +Par la suite, nous exploitons un fragment de SCSP au travers d’un
 +algorithme dénommé MAC-UCB combinant l’algorithme MAC (Maintaining Arc
 +Consistency) utilisé pour résoudre chaque niveau du SCSP tour après
 +tour, et à l’aide de UCB (Upper Confidence Bound) afin d’estimer
 +l’utilité de chaque stratégie obtenue par le dernier niveau de chaque
 +séquence. L’efficacité de cette nouvelle technique sur les autres
 +approches GGP est confirmée par WoodStock, implémentant MAC-UCB, le
 +leader actuel du tournoi continu de GGP.
 +
 +Finalement, dans une dernière partie, nous proposons une approche
 +alternative à la détection de symétries dans les jeux stochastiques,​
 +inspirée de la programmation par contraintes. Nous montrons
 +expérimentalement que cette approche couplée à MAC-UCB, surpasse les
 +meilleures approches du domaine et a permis à WoodStock de devenir
 +champion GGP 2016.