Axe « Science des données », 21 avril 2022

Carte non disponible

Date/heure
Date(s) - 21/04/2022
14 h 00 - 16 h 00

Catégories


Le séminaire Cédric, organisé par l’axe 2, se tiendra le 21 avril (salle à a venir).

Premier exposé, Nicolas Dugué (MCF (Université du Mans)

Titre:  « Vers des approches de plongements interprétables ? »

Résumé : Les approches récentes d’apprentissage de plongements lexicaux ont
mis l’accent sur les résultats, souvent au détriment de l’interprétabilité et
de la complexité algorithmique. Pourtant, l’interprétabilité est un pré-requis
nécessaire à la mise en œuvre de telles technologies lorsqu’elles sont au
service de domaines sensibles comme le domaine juridique ou la médecine. Par
ailleurs, les impératifs écologiques créent une urgence à réfléchir à des
systèmes performants et économes en calculs. Nous proposons dans le cadre de
l’ANR DIGING de développer une nouvelle approche performante et économe en
calculs pour la construction de plongements lexicaux interprétables basée sur
la théorie des réseaux complexes. Nous discuterons d’une première méthode
développée dans ce cadre, SINr (Sparse Interpretable Node Representation) qui
propose une méthode unifiée pour l’apprentissage de plongements de graphes et
de mots dans un espace aux dimensions tangibles, en complexité quasi-linéaire.

Biographie : Nicolas Dugué est maître de conférences au LIUM (Université du
Mans, France). Son travail autour de la fouille de données met l’accent sur les
espaces de représentation (embeddings), dans le cadre de corpus industriels
(avec SNCF R&D, projets C3LS et PolysEmY), ou pour la recherche de
l’interprétabilité, la gestion de la temporalité, et l’analyse de biais (projet
ANR GEM). Il poursuit également un travail de Scientométrie en collaboration
avec le Loria, contribuant sur la mesure de la qualité des résultats de
clustering. Enfin, il a réalisé des travaux en analyse d’opinion par le biais de
l’apprentissage faiblement supervisé (projet ASSC avec MMA). Auparavant, il a
été chercheur post-doctoral au Loria (Université de Lorraine) et doctorant au
LIFO (Université d’Orléans).

Deuxième exposé: Elias Ramzi (doctorant Cédric/Vertigo)

Title : Robust and Decomposable Average Precision for Image Retrieval
Abstract:
In image retrieval, standard evaluation metrics rely on score ranking, e.g. average precision (AP).  In this paper, we introduce a method for robust and de-composable average precision (ROADMAP) addressing two major challenges for end-to-end training of deep neural networks with AP: non-differentiability and non-decomposability. Firstly, we propose a new differentiable approximation of the rank function, which provides an upper bound of the AP loss and ensures robust training. Secondly, we design a simple yet effective loss function to reduce the decomposability
of gap between the AP in the whole training set and its averaged batch approximation, for which we provide theoretical guarantees. Extensive experiments conducted on three image retrieval datasets show that ROADMAP outperforms several recent AP approximation methods and highlight the importance of our two contributions. Finally, using ROADMAP for training deep models yields very good performances, outperforming state-of-the-art results on the three datasets. Code and instructions to reproduce our results will be made publicly available at
 https://github.com/elias-ramzi/ROADMAP.
Haut