Catégorie
Other seminars

Seminar@SystemX/Institut DATAIA - Charles Bouveyron

Bandeau image
IRT SystemX
Date de tri
Lieu de l'événement
CentraleSupélec (bât. Bouygues) - Amphithéâtre Peugeot (sc.046) et en ligne

Share

twlkml
Chapo
Charles Bouveyron (Directeur de l’Institut 3IA Côte d’Azur) animera le séminaire co-organisé entre SystemX et l'Institut DATAIA sur le thème « Deep latent variable models for unsupervised learning from interaction data » à CentraleSupélec.
Contenu
Corps de texte

Cet évènement est organisé en collaboration avec l'IRT SystemX.


IRT SystemX


Thématique : « Deep latent variable models for unsupervised learning from interaction data »

Dans cet exposé, nous nous concentrerons sur le problème de l'apprentissage statistique avec des données d'interaction. Ce travail est motivé par deux applications réelles : la modélisation et le regroupement de réseaux sociaux, d'une part, et de données de pharmacovigilance, d'autre part. À cette fin, nous avons développé deux approches basées sur des modèles. Tout d'abord, nous proposons le modèle de position latente profonde (DeepLPM), une approche de clustering générative de bout en bout qui combine le modèle de position latente (LPM) largement utilisé pour l'analyse des réseaux avec une stratégie d'encodage de réseau convolutionnel de graphes (GCN). Un algorithme d'estimation original est introduit pour intégrer l'optimisation explicite des probabilités de regroupement postérieures via l'inférence variationnelle et l'optimisation implicite utilisant la descente de gradient stochastique pour la reconstruction du graphe. Deuxièmement, pour le problème de la pharmacovigilance, nous introduisons un modèle de blocs latents pour le co-regroupement dynamique des flux de données de comptage avec une grande rareté. Nous supposons que les observations suivent un mélange dépendant du temps et du bloc de distributions de Poisson à gonflement nul, qui combine deux processus indépendants : un mélange dynamique de distributions de Poisson et un processus d'éparpillement dépendant du temps. Pour modéliser et détecter les changements brusques dans la dynamique des membres des grappes et de l'éparpillement des données, les proportions de mélange et d'éparpillement sont modélisées par des systèmes d'équations différentielles ordinaires. L'inférence du modèle repose sur une procédure variationnelle originale dont l'étape de maximisation entraîne des réseaux neuronaux récurrents afin de résoudre les systèmes dynamiques. Des expériences numériques sur des ensembles de données simulées démontrent l'efficacité des méthodologies proposées pour les deux problèmes.

Nom de l'accordéon
Biographie
Texte dans l'accordéon


Charles Bouveyron is Full Professor of Statistics with Université Côte d’Azur and the director of the Institut 3IA Côte d’Azur, one of the four French interdisciplinary institutes on Artificial Intelligence. He is the head of the Maasai research team, a joint team between INRIA and Université Côte d’Azur, gathering mathematicians and computer scientists for proposing innovative models and algorithms for Artificial Intelligence. Since 2019, he holds a chair on Artificial Intelligence at Institut 3IA Côte d’Azur on unsupervised learning with heterogenous data. His research interests include high-dimensional statistical learning, adaptive learning, statistical network analysis, learning from functional or complex data, with applications in medicine, image analysis and digital humanities. He has published extensively on these topics (more than 50 journal articles) and he is author of the monograph « Model-based Clustering and Classification for Data Science » (Cambridge University Press, 2019). He is the founding organizer of the series of workshops StatLearn. Previously, he worked at Université Paris Descartes (Full Professor, 2013-2017), Université Paris 1 Panthéon-Sorbonne (Ass. Professor, 2007-2013) and Acadia University (Postdoctoral researcher, 2006-2007). He received the Ph.D. degree in 2006 from Université Grenoble 1 (France) for his work on high-dimensional classification.