Données Complexes, Apprentissage et Représentations

L’équipe de recherche Vertigo s’intéresse aux problèmes soulevés par la gestion de données à grande échelle, avec une orientation forte vers des données dont la structure, explicite ou non, est complexe et nécessite des techniques spécifiques d’approximation, d’extraction et d’interrogation. Il s’agit de collections d’images, de vidéos, de documents audios ou musicaux. Nos objectifs généraux sont d’extraire de l’information, de construire des techniques d’accès efficaces et de proposer de nouvelles méthodes de gestion de données basées sur le contenu (par opposition aux méta-données décrivant ce contenu).

Axe 1. Grandes bases d’images et de vidéos

Ces recherches s’’inscrivent dans un contexte caractérisé par une croissance explosive de la production de contenus numériques, une révolution du stockage numérique (permettant de conserver – facilement accessibles – des masses de contenus au-delà de l’utilisation pour laquelle ils avaient été produits ou collectés au départ) et le développement rapide des capacités de transmission numérique, qui rend possible la diffusion distribuée et le partage à distance de grands volumes de contenus. Nous nous concentrons sur la structuration, à partir du contenu visuel, de grandes bases d’’images et de vidéos, ainsi que sur la recherche par le contenu dans de telles bases. Nos travaux récentes s’intéressent à l’apprentissage profond dans le domaine de l’image pour la détection des motifs visuels et pour la segmentation sémantique, avec une tendance d’évolution vers le l’analyse sémantique des scènes en prenant en compte les relations structurelles à différents niveaux de localité. Ces approches s’appliquent d’ailleurs très bien aux données de nature différente, comme les données musicales, qui combinent des structures à différentes échelles et sont en général caractérisées par des nombres relativement faibles de données étiquetées par classe.

Axe 2. Informatique musicale

Ces recherches se proposent d’étudier la production de modèles de langages musicaux caractérisant des corpus homogènes de musiques disponibles sous forme symbolique (partitions). Notre perspective est d’enrichir une approche statistique basée sur les données explicites (notes) par un processus d’extraction de connaissances identifiant les éléments du langage musical présents implicitement dans la notation : segmentation en phrases, présence et utilisation de motifs, gestion des dissonances, des cadences, instrumentation et texture. Une autre direction de recherche est le développement de techniques de transcription automatique, conversion d’une performance musicale vers une partition en notation traditionnelle par des modèles de partitions a priori (indépendants de la performance à transcrire), représentant le langage des notations musicales possibles. Ce sont des modèles de langage, composantes essentielles des procédures de traduction automatique ou de reconnaissance des motifs (par analogie avec le traitement de langues).

Annuaire de l'équipe

Responsable

Permanents

Non Permanents

Anciens membres

Conférences et revues avec comité de lecture

2022

Articles de revue

  1. Le Guen, V. and Thome, N. Deep Time Series Forecasting with Shape and Temporal Criteria. In IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022. www 
  1. Doubinsky, P.; Audebert, N.; Crucianu, M. and Le Borgne, H. Multi-Attribute Balanced Sampling for Disentangled GAN Controls. In Pattern Recognition Letters, 162: 56-62, 2022. www 
  1. Zhu, T.; Fournier-S'Niehotta, R.; Rigaux, P. and Travers, N. A Framework for Content-Based Search in Large Music Collections. In Big Data and Cognitive Computing, 6 (1): 23, 2022. doi  www 

Articles de conférence

  1. Le Guen, V.; Rambour, C. and Thome, N. Complementing Brightness Constancy with Deep Networks for Optical Flow Prediction. In ECCV 2022, Springer, Tel Aviv, Israel, Lecture Notes in Computer Science, vol 13681 , 2022. doi  www 
  1. Garczynski, L.; Giraud, M.; Leguy, E. and Rigaux, P. Modeling and Editing Cross-Modal Synchronization on a Label Web Canvas. In Music Encoding Conference (MEC 2022), Halifax, Canada, 2022. www 
  1. Mali, J.; Ahvar, S.; Atigui, F.; Azough, A. and Travers, N. A Global Model-Driven Denormalization Approach for Schema Migration. In RCIS, pages 529-545, Barcelona, Spain, Lecture Notes in Business Information Processing 446, 2022. doi  www 
  1. Cheng, X.; Zayani, R.; Ferecatu, M. and Audebert, N. Efficient Autoprecoder-based deep learning for massive MU-MIMO Downlink under PA Non-Linearities. In IEEE Wireless Communications and Networking Conference, Austin, United States, 2022. www 
  1. Ramzi, E.; Audebert, N.; Thome, N.; Rambour, C. and Bitot, X. Hierarchical Average Precision Training for Pertinent Image Retrieval. In ECCV 2022, Tel-Aviv, Israel, 2022. www 

2021

Articles de revue

  1. Castillo-Navarro, J.; Le Saux, B.; Boulch, A.; Audebert, N. and Lefèvre, S. Semi-Supervised Semantic Segmentation in Earth Observation: The MiniFrance suite, dataset analysis and multi-task network study. In Machine Learning, 2021. doi  www 
  1. Foscarin, F.; Rigaux, P. and Thion, V. Data Quality Assessment in Digital Score Libraries. The GioQoso Project. In International Journal on Digital Libraries, 22 (2): 159-173, 2021. doi  www 
  1. Petit, O.; Thome, N. and Soler, L. Iterative Confidence Relabeling with Deep ConvNets for Organ Segmentation with Partial Labels. In Computerized Medical Imaging and Graphics: 101938, 2021. doi  www 
  1. Grossetti, Q.; Du Mouza, C.; Travers, N. and Constantin, C. Reducing the filter bubble effect on Twitter by considering communities for recommendations. In International Journal of Web Information Systems, 17 (6): 728-752, 2021. doi  www 
  1. Corbière, C.; Thome, N.; Saporta, A.; Vu, T-H.; Cord, M. and Perez, P. Confidence Estimation via Auxiliary Models. In IEEE Transactions on Pattern Analysis and Machine Intelligence: 1-1, 2021. doi  www 

Articles de conférence

  1. Dang, C.; Randrianarivo, H.; Fournier-S'Niehotta, R. and Audebert, N. Web Image Context Extraction with Graph Neural Networks and Sentence Embeddings on the DOM tree. In GEM: Graph Embedding and Mining - ECML/PKDD Workshops, Bilbao, Spain, 2021. doi  www 
  1. Yin, Y.; Le Guen, V.; Dona, J.; Ayed, I.; de Bézenac, E.; Thome, N. and Gallinari, P. Augmenting physical models with deep networks for complex dynamics forecasting. In Ninth International Conference on Learning Representations ICLR 2021, Vienna (virtual), Austria, 2021. www 
  1. Ramzi, E.; Thome, N.; Rambour, C.; Audebert, N. and Bitot, X. Robust and Decomposable Average Precision for Image Retrieval. In Thirty-fifth Conference on Neural Information Processing Systems (NeurIPS 2021), Sydney, Australia, 2021. www 
  1. Corbière, C.; Lafon, M.; Thome, N.; Cord, M. and Pérez, P. Beyond First-Order Uncertainty Estimation with Evidential Models for Open-World Recognition. In ICML 2021 Workshop on Uncertainty and Robustness in Deep Learning, Virtual, Austria, 2021. www 
  1. Foscarin, F.; Audebert, N. and Fournier-S'Niehotta, R. PKSpell: Data-Driven Pitch Spelling and Key Signature Estimation. In International Society for Music Information Retrieval Conference (ISMIR), Online, India, 2021. www 

2020

Articles de revue

  1. Rambour, C.; Audebert, N.; Koeniguer, E.; Le Saux, B.; Crucianu, M. and Datcu, M. Flood detection in time series of optical and sar images. In International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLIII-B2-2020: 1343-1346, 2020. doi  www 
  1. Dupuis, D.; Du Mouza, C.; Travers, N. and Chareyron, G. Real-Time Influence Maximization in a RTB Setting. In Data Science and Engineering, 5 (3): 224-239, 2020. doi  www 
  1. Besedin, A.; Blanchart, P.; Crucianu, M. and Ferecatu, M. Deep online classification using pseudo-generative models. In Computer Vision and Image Understanding, 201: 103048, 2020. doi  www 
  1. Rosmorduc, S. Automated~Transliteration~of Late Egyptian Using Neural Networks. In Lingua Aegyptia - Journal of Egyptian Language Studies, 28: 233-257, 2020. doi  www 

Articles de conférence

  1. Rolland, J-F. c.; Castel, F.; Haugommard, A.; Aubrun, M.; Yao, W.; Dumitru, C. O.; Datcu, M.; Bylicki, M.; Tran, B-H.; Aussenac-Gilles, N.; Comparot, C. and Trojahn dos Santos, C. CANDELA: A Cloud Platform for Copernicus Earth Observation Data Analytics. In IEEE International Geoscience & Remote Sensing Symposium (IGARSS 2020), Waikoloa, Hawaii, United States, 2020. www 
  1. Le Cacheux, Y.; Le Borgne, H. and Crucianu, M. Using Sentences as Semantic Representations in Large Scale Zero-Shot Learning. In ECCV 2020 workshop Transferring and adapting source knowledge in computer vision (TASK-CV), Glasgow, United Kingdom, 2020. www 
  1. Le Guen, V. and Thome, N. Disentangling Physical Dynamics from Unknown Factors for Unsupervised Video Prediction. In Computer Vision and Pattern Recognition 2020 (CVPR), Seattle, United States, 2020. doi  www 
  1. Le Guen, V. and Thome, N. A Deep Physical Model for Solar Irradiance Forecasting with Fisheye Images. In CVPR OmniCV worshop 2020, Seattle, United States, 2020. doi  www 
  1. Mali, J.; Atigui, F.; Azough, A. and Travers, N. ModelDrivenGuide: An Approach for Implementing NoSQL Schemas. In International Conference, DEXA 2020, pages 141-151, Springer, Bratislava, Slovakia, DEXA 2020: Database and Expert Systems Applications , 2020. doi  www 
  1. Foscarin, F.; Mcleod, A.; Rigaux, P.; Jacquemard, F. and Sakai, M. ASAP: a dataset of aligned scores and performances for piano transcription. In ISMIR 2020 - 21st International Society for Music Information Retrieval, Montreal / Virtual, Canada, 2020. www 
  1. Dubucq, D.; Audebert, N.; Achard, V.; Alakian, A.; Fabre, S.; Credoz, A.; Deliot, P. and Le Saux, B. A real-world hyperspectral image processing workflow for vegetation stress and hydrocarbon indirect detection. In XXIV ISPRS Congress, Nice, France, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences XLIII-B3-2020, 2020. doi  www 
  1. Le Guen, V. and Thome, N. Probabilistic Time Series Forecasting with Structured Shape and Temporal Diversity. In NeurIPS 2020, Vancouver, Canada, 2020. www 

2019

Articles de revue

  1. Viard, T. and Fournier-S'Niehotta, R. Augmenting content-based rating prediction with link stream features. In Computer Networks, 150: 127-133, 2019. doi  www 
  1. Lajaunie, C.; Renard, D.; Quentin, A.; Le Guen, V. and Caffari, Y. A non-homogeneous model for kriging dosimetric data. In Mathematical Geosciences, 52 (7): 847-863, 2019. doi  www 

Articles de conférence

  1. Foscarin, F.; Jacquemard, F. and Rigaux, P. Modeling and Learning Rhythm Structure. In Sound and Music Computing Conference (SMC), Malaga, Spain, 2019. www 
  1. Viard, T. and Fournier-S'Niehotta, R. Encoding temporal and structural information in machine learning models for recommendation. In LEG @ ECML-PKDD 2019, W"urzburg, Germany, 2019. www 
  1. Foscarin, F.; Jacquemard, F.; Rigaux, P. and Sakai, M. A Parse-based Framework for Coupled Rhythm Quantization and Score Structuring. In MCM 2019 - Mathematics and Computation in Music, Springer, Madrid, Spain, Proceedings of the Seventh International Conference on Mathematics and Computation in Music (MCM 2019) Lecture Notes in Computer Science, 2019. doi  www 
  1. Grossetti, Q.; Du Mouza, C. and Travers, N. Community-based Recommendations on Twitter: Avoiding The Filter Bubble. In Web Information Systems Engineering -- WISE 2019, Hong-Kong, China, 2019. doi  www 
  1. Foscarin, F.; Fournier-S'Niehotta, R. and Jacquemard, F. A diff procedure for music score files. In 6th International Conference on Digital Libraries for Musicology (DLfM), pages 7, ACM, The Hague, Netherlands, 2019. www 
  1. Le Cacheux, Y.; Le Borgne, H. and Crucianu, M. Modeling Inter and Intra-Class Relations in the Triplet Loss for Zero-Shot Learning. In IEEE International Conference on Computer Vision, IEEE, Séoul, South Korea, 2019. doi  www 
  1. Rigaux, P. and Travers, N. Scalable Searching and Ranking for Melodic Pattern Queries. In Intl. Conf. of the International Society for Music Information Retrieval (ISMIR), Delft, Netherlands, 2019. www 
  1. Dupuis, D.; Du Mouza, C.; Travers, N. and Chareyron, G. RTIM: a Real-Time Influence Maximization Strategy. In Web Information Systems Engineering -- WISE 2019, Hong-Kong, China, 2019. doi  www 

2018

Articles de revue

  1. Raftopoulos, K.; Kollias, S.; Sourlas, D. and Ferecatu, M. On the Beneficial Effect of Noise in Vertex Localization. In International Journal of Computer Vision, 126 (1): 111-139, 2018. doi  www 
  1. Fournier-S'Niehotta, R.; Rigaux, P. and Travers, N. Modeling Music as Synchronized Time Series: Application to Music Score Collections. In Information Systems, 73: 35-49, 2018. doi  www 

Articles de conférence

  1. Petit, O.; Thome, N.; Charnoz, A.; Hostettler, A. and Soler, L. Handling Missing Annotations for Semantic Segmentation with Deep ConvNets. In MICCAI workshop DLMIA, Grenade, Spain, 2018. doi  www 
  1. Foscarin, F.; Fiala, D.; Jacquemard, F.; Rigaux, P. and Thion, V. Gioqoso, an online Quality Assessment Tool for Music Notation. In 4th International Conference on Technologies for Music Notation and Representation (TENOR'18), Concordia University, Montreal, Canada, Proceedings of the International Conference on Technologies for Music Notation and Representation -- TENOR'18 , 2018. www 
  1. Grossetti, Q.; Constantin, C.; Du Mouza, C. and Travers, N. An Homophily-based Approach for Fast Post Recommendation in Microblogging Systems. In 21st International Conference on Extending Database Technology (EDBT 2018), pages 229-240, Vienne, Austria, 2018. doi  www 

2017

Articles de conférence

  1. Rigaux, P. and Thion, V. Quality Awareness over Graph Pattern Queries. In Proceedings of the International Database Engineering & Applications Symposium (IDEAS), Bristol, United Kingdom, 2017. doi  www 
  1. Si-Said Cherfi, S.; Hamdi, F. c.; Rigaux, P.; Thion, V. and Travers, N. Formalizing quality rules on music notation. An ontology-based approach. In International Conference on Technologies for Music Notation and Representation - TENOR'17, Coruna, Spain, 2017. www 
  1. Cherfi, S. S-S.; Guillotel, C.; Hamdi, F. c.; Rigaux, P. and Travers, N. Ontology-Based Annotation of Music Scores. In Knowledge Capture Conference, pages 1-4, ACM Press, Austin, France, 2017. doi  www 
  1. Besedin, A.; Blanchart, P.; Crucianu, M. and Ferecatu, M. Evolutive deep models for online learning on data streams with no storage. In ECML/PKDD 2017 Workshop on Large-scale Learning from Data Streams in Evolving Environments, Skopje, Macedonia, 2017. www 

Actions de diffusion scientifique

2022

Chapitres d'ouvrage

  1. Serge, R. L'organisation spatiale des textes hiéroglyphiques. In Guide des écritures de l''Egypte ancienne, pages 130-137, 2022. www 
  1. Rosmorduc, S. Digital writing of hieroglyphic texts. In Handbook of Digital Egyptology: Texts, pages 37-53, Editorial Universidad de Alcal'a, 2022. www 

Divers

  1. Digard, M.; Jacquemard, F. and Rodriguez-de la Nava, L. MIDI To Score Automated Drum Transcription. , Poster. www 

2021

Chapitres d'ouvrage

  1. Le Cacheux, Y.; Le Borgne, H. and Crucianu, M. Zero-shot Learning with Deep Neural Networks for Object Recognition. In Multi-faceted Deep Learning: Models and Data, Springer, 2021. doi  www 

2019

Chapitres d'ouvrage

  1. Le Cacheux, Y.; Le Borgne, H. and Crucianu, M. From Classical to Generalized Zero-Shot Learning: A Simple Adaptation Process. In MultiMedia Modeling. 25th International Conference, MMM 2019, Thessaloniki, Greece, January 8--11, 2019, Proceedings, Part II, pages 465-477, Springer Verlag, Lecture Notes in Computer Science 11296, 2019. doi  www 

2018

Divers

  1. Besedin, A.; Blanchart, P.; Crucianu, M. and Ferecatu, M. Deep Online Storage-Free Learning on Unordered Image Streams. , Poster. doi  www 
  1. Foscarin, F.; Fournier-S'Niehotta, R.; Rigaux, P. and Jacquemard, F. Evaluating musical score difference: a two-level comparison. , Poster. www 
  1. Besson, V.; Fiala, D.; Rigaux, P. and Thion, V. Gioqoso, an Online Quality Evaluation Tool for MEI Scores. , Poster. www 

2017

Chapitres d'ouvrage

  1. Yang, L.; Rodriguez, H.; Crucianu, M. and Ferecatu, M. Fully Convolutional Network with Superpixel Parsing for Fashion Web Image Segmentation. In MultiMedia Modeling - 23rd International Conference, MMM 2017, Reykjavik, Iceland, January 4-6, 2017, Proceedings, Part II, pages 139-151, Springer, Lecture Notes in Computer Science 10133, 2017. doi  www 

Actions de valorisation

Projets en cours

CI POLIFONIA
  • Nom complet: Coûts indirects de POLIFONIA: CI POLIFONIA - Financeur: Commission européenne
  • Durée: January 2021 - April 2024
  • Résumé: Le projet Polifonia vise à créer un système de médiation pour l'ensemble des sources musicales en Europe. Il créera une base de connaissances décentralisée rassemblant le contexte historique et culturel, exprimée en différentes langues et couvrant tous les styles musicaux. L'objectif du projet est de promouvoir l'accès, la préservation, l'étude et l'exploitation de cet immense patrimoine.
POLIFONIA
  • Nom complet: POLIFONIA: POLIFONIA - Financeur: Commission européenne
  • Durée: January 2021 - April 2024
  • Résumé: Polifonia met en œuvre un écosystème numérique pour le patrimoine musical européen : des objets musicaux ainsi que des connaissances pertinentes sur leur culture et le contexte historique, exprimés dans différentes langues et styles, et à travers les siècles. L'écosystème comprendra des méthodes, des outils, des lignes directrices, expériences et conceptions créatives, ouvertement partagées. L'objectif est de provoquer un changement de paradigme dans le patrimoine musical préservation, gestion, étude, interaction et exploitation. Dix pilotes, entre cloches historiques et orgue patrimoine, classement des la musique notée polyphonique, au rôle historique de la musique dans la vie des enfants, conduiront au développement de l'écosystème grâce à une validation de ses technologies. Le projet est conçu par un équipe interdisciplinaire de chercheurs et conservateurs passionnés : informaticiens, anthropologues et ethnomusicologues, historiens de la musique, linguistes, archivistes du patrimoine musical, catalogueurs et administrateurs, et professionnels de la création.
SWORD AHEAD
  • Nom complet: SWORD AHEAD: SWORD AHEAD - Financeur: ANR
  • Durée: January 2021 - December 2023
  • Résumé:
AHEAD SWORD
  • Nom complet: ANR AHEAD SWORD: AHEAD SWORD - Financeur: ANR
  • Durée: July 2020 - December 2026
  • Résumé:
IRCAD AHEAD
  • Nom complet: ANR AHEAD couplé à la convention IRCAD: IRCAD AHEAD - Financeur: ANR
  • Durée: October 2020 - September 2023
  • Résumé:
CEA AHEAD
  • Nom complet: CEA AHEAD: CEA AHEAD - Financeur: ANR
  • Durée: October 2020 - September 2023
  • Résumé:
AHEAD IRCAD
  • Nom complet: ANR AHEAD couplé à la convention IRCAD: AHEAD IRCAD - Financeur: ANR
  • Durée: July 2020 - December 2026
  • Résumé:
CollabScore
  • Nom complet: ANR CollabScore: CollabScore - Financeur: ANR
  • Durée: October 2020 - March 2024
  • Résumé:
DIAMELEX
  • Nom complet: ANR DIAMELEX: DIAMELEX - Financeur: ANR
  • Durée: October 2020 - May 2025
  • Résumé:
Valeo Calem
  • Nom complet: Cifre Valeo Calem: Valeo Calem - Financeur: VALEO Comfort and Driving Assisitance
  • Durée: September 2020 - August 2023
  • Résumé:
ASTRAL
  • Nom complet: Apprentissage statistique pour l'imagerie SAR muLtidimentionnelle: ASTRAL - Financeur: ANR
  • Durée: January 2022 - December 2024
  • Résumé: L’objectif central de ce projet est d’exploiter, dans des méthodes d’apprentissage, les connaissances de la physique du SAR afin de développer de nouvelles approches d’analyse et d’interprétation de scènes radar.
POESY
  • Nom complet: Probabilistic prediction Of Extreme weather events based on ai/physics SYnergy: POESY - Financeur: ANR
  • Durée: January 2022 - December 2024
  • Résumé: L’objectif central de ce projet est mettre en place des méthode d'IA pour représenter la prédiction climatique et en particulier représenter les événements extrêmes.
Dotation Vertigo 2023
  • Nom complet: Dotation Vertigo 2023: Dotation Vertigo 2023 - Financeur: Laboratoire Cédric
  • Durée: January 2023 - December 2023
  • Résumé:
PEX ORION 2023
  • Nom complet: PEX ORION 2023: PEX ORION 2023 - Financeur: Laboratoire Cédric
  • Durée: January 2023 - December 2023
  • Résumé:
RECOMPENSE GOOGLE
  • Nom complet: RECOMPENSE GOOGLE N. AUDEBERT: RECOMPENSE GOOGLE - Financeur: GOOGLE IRELAND LIMITED
  • Durée: April 2022 - April 2028
  • Résumé:
COLLABORATION COEXEL-ALDV
  • Nom complet: COLLABORATION COEXEL-ALDV: COLLABORATION COEXEL-ALDV - Financeur: ASSOCIATION LEONARD DE VINCI
  • Durée: March 2022 - March 2025
  • Résumé:
COLLABORATION COCO PARKS
  • Nom complet: COLLABORATION COCO PARKS: COLLABORATION COCO PARKS - Financeur: COCO PARKS
  • Durée: September 2022 - September 2024
  • Résumé: Ultr
ANR MAGE
  • Nom complet: ANR MAGE: ANR MAGE - Financeur: ANR
  • Durée: January 2022 - April 2026
  • Résumé: Cartographier la terre via l'imagerie aérienne en apprenant sur des données de jeu

Projets passés

    • Nom complet: Vertigo 2021
    • Durée: January 2020 - December 2021
    • Résumé:

    • Nom complet: Nouvelles méthodes informatiques pour les Humanités numériques
    • Durée: January 2021 - December 2021
    • Résumé: L’objectif de ce projet exploratoire est d’afficher ces travaux et compétences, actuellement dispersés, sous une étiquette “Humanités numériques”, et de mener un double travail de clarification interne et de communication externe pour identifier le potentiel de cette étiquette comme axe de recherche stable et pérenne. Comment caractériser les problématiques informatiques pertinentes pour participer à une recherche interdisciplinaire équilibrée en humanités numériques ? Le projet exploratoire se place dans une perspective de recherche informatique inspirée par des problématiques SHS. Il s’agit d’identifier ce qui, dans une démarche SHS, suscite une innovation méthodologique en informatique et mène à une recherche véritablement interdisciplinaire, encourageant une réflexion épistémologique croisée (par opposition à la simple mise au point d’outils). Quelles sont les méthodes de l’autre pour produire de la connaissance, comment mes propres méthodes peuvent-elles enrichir celles de l’autre et réciproquement.

    • Nom complet: Apprentissage par renforcement et diversité pour le jeu vidéo
    • Durée: January 2021 - December 2021
    • Résumé: L'apprentissage par renforcement (RL) a récemment abattu de nombreuses barrières en création d'intelligences artificielles (IA) pour le jeu vidéo. Il est désormais possible d'apprendre à des agents autonomes à jouer à des jeux de complexité variable, allant des classiques Atari (casse-briques, Space Invader) à des jeux de tir en environnement ouvert, en construisant des stratégies haut niveau y compris à partir de stimuli bas niveau (visuels, par exemple). Cependant, la recherche actuelle en RL se concentre sur l'optimalité, c'est-à-dire produire des agents maximisant leur score et jouant parfaitement. Cette approche n'est pas satisfaisante lorsque l'on cherche à utiliser ces agents virtuels comme adversaires d'un ou d'une joueuse. La curiosité est un des aspects les plus importants de la motivation du joueur. Pour être maintenue, il est nécessaire de le confronter à un défi qui se renouvelle par la narration, par l'environnement mais aussi par le comportement et les stratégies à adopter face à des adversaires variés. L'objectif de ce projet est de concevoir des algorithmes de RL produisant des agents aux stratégies diversifiés, même si celles-ci sont sous-optimales, afin de générer une expérience de jeu plus variée. Nous nous proposons d'une part de quantifier mathématiquement cette notion de diversité comportementale des agents virtuels et d'autre part d'intégrer cette diversité dans l'exploration de l'espace des comportements des algorithmes de RL.

    • Nom complet: Collaboration EDF V. LE GUEN
    • Durée: January 2019 - June 2022
    • Résumé:

    • Nom complet: IRCAD
    • Durée: April 2017 - October 2017
    • Résumé:

    • Nom complet: SWORD
    • Durée: May 2018 - December 2019
    • Résumé:

    • Nom complet: VISIBLE PATIENT IRCAD
    • Durée: November 2017 - July 2019
    • Résumé:

    • Nom complet: ERGONOVA CALEM
    • Durée: October 2018 - August 2019
    • Résumé:

    • Nom complet: CEA LIST LE CACHEUX
    • Durée: October 2017 - September 2020
    • Résumé:

    • Nom complet: Convention d'accueil Blaise Pascal n°17/04
    • Durée: March 2018 - February 2020
    • Résumé:

    • Nom complet: XXII Apprentisage profond
    • Durée: June 2019 - September 2022
    • Résumé:

    • Nom complet: Machine Learning to Explain Security Incidents
    • Durée: January 2021 - December 2021
    • Résumé: Collaboration des équipes ISID (Nadira Lammari, Nada Mimouni, Hammou Fadili), MSDMA (Nicolas Thome) and EE SD (Véronique Legrand) Il y a, de nos jours, une réelle prise de conscience que la sécurité n’est jamais acquise. Comme souligné par les professionnels de la cybersécurité, face à la complexité et la prolifération des attaques, une surveillance continue de la sécurité du Système d’Information (SI) est plus que jamais nécessaire. Cet objectif nécessite la mise en œuvre de plusieurs activités, y compris l’analyse des causes profondes des incidents de sécurité, connue sous l’acronyme anglais RCA (Root Cause Analysis). Dans le cadre de ce projet, nous souhaitons tirer profit de la capacité du « Machine Learning » (ML) à apprendre de masses de données et des capacités de raisonnement humain dans des contextes complexes afin de concevoir et mettre en œuvre une approche guidée qui aide, non seulement, à l’explication les incidents de sécurité mais qui apprend et transmet également les connaissances et les compétences métier. La transmission des connaissances en analyse de la sécurité fournira aux experts en sécurité des capacités défensives et offensives. La transmission des compétences en ML donnera aux experts en sécurité plus d’autonomie dans le choix l’orchestration et le calibrage des algorithmes.

    • Nom complet: GE HEALTHCARE THUY LE
    • Durée: November 2017 - October 2020
    • Résumé:

    • Nom complet: VALEO Charles CORBIERE
    • Durée: January 2019 - February 2022
    • Résumé:

    • Nom complet: VISIBLE PATIENT Olivier PETIT
    • Durée: November 2018 - January 2022
    • Résumé:

    • Nom complet: ANR DEEPLOMATICS
    • Durée: October 2018 - June 2022
    • Résumé:

    • Nom complet: Apprentissage par renforcement et diversité pour le jeu vidéo
    • Durée: January 2022 - December 2022
    • Résumé: L'objectif de ce projet est de concevoir des algorithmes d'apprentissage par renforcement produisant des agents aux stratégies diversifiés, même si celles-ci sont sous-optimales, afin de générer une expérience de jeu plus variée. Nous nous proposons d'une part de quantifier mathématiquement cette notion de diversité comportementale des agents virtuels et d'autre part d'intégrer cette diversité dans l'exploration de l'espace des comportements des algorithmes de RL dans des environnements de jeux.

    • Nom complet: Soutien équipe Vertigo 2022
    • Durée: January 2022 - December 2022
    • Résumé:

Haut