Séminaires


L'objectif est de favoriser l'échange entre les chercheurs du Département d'informatique et de génie logiciel, qu'ils soient professeurs ou étudiants.

Si vous désirez donner un séminaire à l'hiver 2019, contactez Josée Desharnais
 

Vendredi 25 janvier 2019 à 13h, PLT-3775

Toward a Database of Sharp Invariants on Time Series Characteristics
Nicolas Beldicanu

Résumé : De nombreuses contraintes restreignant le résultat de certains calculs sur une séquence entière peuvent être représentées de manière compacte par des automates à registres. Nous améliorons la propagation de la conjonction de telles contraintes portant sur une même séquence en synthétisant une base de données d'invariants linéaires et non linéaires à partir de la représentation de ces contraintes en termes d’automates à registres. Les invariants obtenus sont paramétrés par la longueur de la séquence et sont vérifiés pour toute séquence suffisamment longue. Pour évaluer la qualité de ces invariants linéaires, nous avons développé une méthode permettant de vérifier si un invariant linéaire généré est une facette de l’enveloppe convexe des points réalisables. Cette méthode, ainsi que la preuve d'invariants non linéaires, sont basées sur la génération systématique d'automates finis déterministes de taille constante qui acceptent toutes les séquences entières dont le résultat vérifie une condition simple. Nous appliquons cette méthodologie à un ensemble de 44 contraintes de séries temporelles et obtenons 1400 invariants linéaires dont 70% définissent des facettes, et 600 invariants non linéaires, qui ont été testés sur des problèmes de production électrique à court terme.

Bio: Nicolas Belicanu est professeur en informatique à IMT Atlantique, LS2N-CNRS à Nantes (France) depuis 2003. Il a auparavant été chercheur senior au SICS à Uppsala (Suède), responsable de la recherche à COSYTEC dans la région parisienne (France), ainsi que chercheur au Centre européen de recherche sur les industries informatiques à Munich (Allemagne). Ses travaux portent sur la programmation par contraintes : contraintes globales et contraintes structurelles de séries chronologiques ; algorithmes de filtrage efficaces décrivant les contraintes (avec métadonnées, graphique, automates, transducteurs) ; synthèse / apprentissage des cartes de connaissances combinatoires ; modèles de contraintes d’apprentissage.

 

Vendredi 1er février 2019 à 13h, PLT-3775

à venir

 

Vendredi 8 février 2019 à 13h, PLT-3775

La contrainte WeightedCircuitsLmax
Kim Rioux-Paradis
Étudiante au doctorat, département d'informatique et de génie logiciel, Université Laval

Résumé :  Le problème du commis voyageur peut être généralisé au problème du multiple commis voyageur. Dans ce problème, chaque ville doit être visitée exactement une fois par un seul des commis. On cherche à minimiser le plus long trajet effectué parmi les chemins des commis. Cette présentation explique comment résoudre ce problème en utilisant la programmation par contraintes. Pour ce faire, nous généralisons les contraintes Circuit et WeightedCircuit et présentons une nouvelle contrainte qui décrit comment encoder le problème des multiples commis voyageurs où la longueur du plus long cycle est plus petite qu’une variable. Nous allons montrer deux algorithmes de filtrages basés sur la structure du graphe et la distance entre les villes.


Vendredi 15 février 2019 à 13h, local 3775

Industrie 4.0 et la transformation numérique du secteur manufacturier : Une opportunité formidable pour les informaticiens 
Johathan Gaudreault
Directeur du Consortium de recherche en ingénierie des systèmes industriels 4.0,
Codirecteur du  Consortium FORAC

Professeur, Département d'informatique et de génie logiciel, Université Laval

Résumé :  

 

...

 

Vendredi 26 avril 2019 à 13h, local 3775


Benjamin Fung
Canada Research Chair in Data Mining for Cybersecurity
Associate Professor, School of Information Studies, McGill University


Résumé :  

 

 


Séminaires antérieurs      

Séminaires 2018 et avant

Vendredi 11 janvier 2019, de 9h30 à 10h30, PLT-3904

Approche PAC-bayésienne de l'apprentissage automatique: Garanties statistiques et nouveaux algorithmes
Pascal Germain

Résumé: Les algorithmes d'apprentissage automatique construisent un prédicteur en généralisant l'information contenue dans un ensemble d'observations empiriques. La théorie PAC-bayésienne exprime des garanties statistiques sur la capacité de généralisation de tels prédicteurs. Au cours de ce séminaire, je présenterai ma conception de l'approche PAC-bayésienne, qui en fait un cadre de travail suffisamment général pour englober plusieurs variantes du problème d'apprentissage et les relier entre eux. Je conçois notamment cette théorie comme un outil possédant deux attraits majeurs. Un premier attrait est que les garanties PAC-bayésiennes se calculent à partir la perte empirique du prédicteur, c'est-à-dire la perte sur l'ensemble d'observations duquel il est issu plutôt que sur un ensemble de validation. Un second attrait est que chaque nouvelle borne PAC-bayésienne ouvre la voie à la conception d'un algorithme d'apprentissage; en optimisant l'expression mathématique des bornes, on obtient le prédicteur qui minimise une garantie théorique.

J'illustrerai ces deux caractéristiques de l'approche PAC-bayésienne en présentant deux de mes contributions récentes. D'abord, je montrerai qu'une paramétrisation particulière de certaines bornes PAC-bayésiennes permet de calculer des garanties de type «fréquentistes» sur les modèles «purement bayésiens», réconciliant ainsi deux paradigmes souvent considérés distincts. Ensuite, je présenterai une analyse PAC-bayésienne de la méthode d'approximation d'un noyau par attributs de Fourier aléatoires. Cette analyse originale a inspiré de nouvelles procédures d'apprentissage de mesures de similarité.

 

Mercredi 9 janvier 2019, 9h30-10h30, PLT-3904

Deep radiomic analysis for personalized medicine
Ahmad Chaddad 

Résumé: Radiomic analysis is a noninvasive technique for characterizing tumor lesions in terms of image texture signatures. It can be integrated into almost any clinical study involving image data, and thus has the potential to become an essential tool for diagnosis, treatment and follow-up of patient diseases. This talk will present my research in radiomic analysis, feature extraction techniques (gray level co-occurrence matrices, linear filters, wavelets, deep convolution neural networks, etc.), machine learning, and applications to tumor grading, prognosis and genomic profiling.

 

Mardi 8 janvier 2019, 9h30-10h30, PLT-3904

Nouveaux Modèles d’Apprentissage Machine/Profond et Applications (par vidéoconférence)
Riadh Ksantini

Résumé : Dans cette présentation, je fournirai un aperçu sur les différents travaux de recherche basés sur le développement et l’utilisation de nouveaux modèles d’apprentissage machine/profond dans plusieurs applications pertinentes, comme, la Recherche d’Image par le Contenu, la Reconnaissance d’Activité/Comportement Humain(e), le Suivi des Contenus Vidéo, la Détection d’Objets Pertinents, le Rendu et Visualisation de Volume (Médical), la Détection d’Anomalie/Intrusion (Cyber-Sécurité), la Reconnaissance des Visages, etc.  

Par exemple, nous avons proposé un nouveau modèle bayésien de régression logistique basé sur une méthode variationnelle. Nous avons comparé le modèle bayésien  à d'autres classificateurs linéaires pertinents de l’état de l’art. Aussi, une comparaison de ce nouveau modèle avec le modèle classique de régression logistique a été effectuée dans le cadre de la recherche d'images par le contenu. En effet, la recherche d’images par le contenu trouve des applications concrètes: Reconnaissance faciale et comparaison d’empreintes (Interpol), identification d’appareils ennemis et de cibles à partir d’images satellites (Militaire), protection de la propriété intellectuelle, l’archivage de photographies, diagnostic en utilisant l’imagerie médicale (Médical), etc.