La fédération MathSTIC organise le 24 Septembre 2024 la Journée MathSTIC "Mathématiques, Apprentissage et Réseaux"
Lieu : Amphi Copernic, site Villetaneuse, Université Sorbonne Paris Nord
Organisatrices : Thi Mai Trang Nguyen (L2TI), Thanh Mai Pham Ngoc (LAGA) et Céline Rouveirol (LIPN) 

Programme :

13h30 - Bienvenue - Session 1 

13h30 - 14h00 : Predicting Lagrangian Multipliers for Mixed Integer Linear Programs (Francesco Demelas, Joseph Le Roux, Mathieu Lacroix, Axel Parmentier, LIPN et Ecole des Ponts)

14h00 - 14h30 : A Deep Learning Approach for Predicting Radio Channels across Frequency in Mobile Networks (Pegah Alizadeh - Ericsson France)

14h30 - 15h00 : Adaptive Estimation on Nonparametric Geometric Graphs (Thanh Mai Pham Ngoc - LAGA)

15h00 - 15h30 : Temporal Data Aggregation in Wireless Sensor Networks for Indoor Air Quality monitoring (Janeth Aguilar, Liticia Djennabi, Salvador Ruiz Correa, Gladys Diaz et Khaled Boussetta - L2TI et IPICYT, Mexico)

15h30 - 15h45 : Pause café

15h45 - Session 2 

15h45 - 16h15 : Choix des Participants Basé sur le Score pour l'Apprentissage Fédéré dans le Contexte de la Détection d'Intrusion Réseau (Diogo Menezes Ferrazani Mattos - Université Fédérale de Fluminense, Brésil)

16h15 - 16h45 : Inference of Social Networks Explored by Random Walks (Viet Chi Tran, LAMA, Université Gustave Eiffel)

16h45 - 17h15 : Optimisation des Blocs de Ressources dans un Réseau 5G en Utilisant une IA Hybride (Ouamri Mouhamed Amine - L2TI)

17h15 - 17h45 :  Leveraging Complex Network Analysis for Explainable Network Intrusion Detection (Rushed Kanawati - LIPN)

17h45 - Fin de la journée

Venue: Université Sorbonne Paris Nord, France - Hybrid mode: Amphi Fermat, Institut Galilée, USPN

Technical program
08:45 - 09:00 Welcome & Opening – A. Beghdadi

SESSION 1 – Amphi Fermat
Chair : Azeddine Beghdadi

09:00 - 09:40 Visual content watermarking: between information theory and deep learning by Mihai Mitrea, Telecom Sud-Paris, France
09:40 - 10:20 Finite Field Elliptic Curve for Key Generation and Biometric Template Protection by Kiran Raja, NTNU, Norway

10:20 - 10: 50 Coffee Break

SESSION 2 – Amphi Fermat
Chair : Mounir Kaaniche

10: 50 - 11:30 Federated Adversarial Training with Transformers by Wassim Hamidouche, INSA, Rennes, France
11:30 - 12:10 Deep Facial Diagnosis: Sense Deeper toward Genotypes and Phenotypes by Richard Jiang, Lancaster University, UK

12:10 - 13:50 Lunch (F003-F004)

SESSION 3 – Amphi Fermat
Chair : Farid Mokrane

14:00 - 14:40 Nonlinear Fuzzy Commitments with Kerdock Codes by Patrick Lacharme, Laboratoire GREYC, Ensicaen, Caen, France
14:40 - 15:20 Bridging deep learning and classical profiled side-channel attacks by Gabriel Zaid, Thales ITSEF, Toulouse, France

15:20 - 15:35 Coffee Break

SESSION 4 – Amphi Fermat
Chair : Farid Mokrane

15 :35-16 :15 Privacy and security of shared data by Ashref Aloui ,LAGA Université Paris 8
16:15 - 16:55 Imaging for Forensics and Security: From Theory to Practice by Ahmed Bouridane, University of Sharjah, UAE,

16:55 -17:45 Panel discussion : Moderators : M. Mihai & A. Beghdadi

RÉSUMÉ

Les réseaux de neurones convolutifs profonds ont offert de nombreux résultats impressionnants par exemple sur des tâches de classification d'images telles que la reconnaissance d'objets ou la classification de scènes. Cependant, pour qu'un réseau de neurones convolutifs profonds puisse avec succès apprendre à reconnaître des catégories visuelles, il est nécessaire de collecter et d'étiqueter manuellement des milliers d'exemples d'entraînement par catégorie cible et d'appliquer sur ceux-ci des algorithmes d'optimisation (en général itératifs) extrêmement coûteux en termes de ressources de calcul (centaines voire des milliers d'heures de GPU). De plus, dans le cas où une extension du modèle à d'autres catégories serait envisagée, il est nécessaire de collecter suffisamment de nouvelles données d'entraînement pour les nouvelles catégories et de recommencer la procédure d'apprentissage. Ces lourdes exigences ont poussé certains chercheurs à investiguer des pistes de recherche moins gourmandes en termes de données d'entrainement. L'idée étant de s'inspirer de la puissance du système visuel humain qui apprend de nouveaux concepts sans effort à partir de seulement quelques exemples et de les reconnaitre de manière fiable. Reproduire le même mode de fonctionnement dans les systèmes de vision artificielle par apprentissage est un des objectifs des recherches actuelles pour de nombreuses applications notamment celle de la vision du monde réel. 

Cette journée a pour objectif de donner un état des lieux des avancées en vision artificielle par apprentissage automatique avec très peu de données labellisées sur les thèmes suivants : Détection, Reconnaissance, Classification, Segmentation. 

APPEL À CONTRIBUTION

Un appel à contribution est lancé sur les thèmes listés ci-dessus. Les chercheurs souhaitant présenter leurs contributions sont invités à soumettre aux organisateurs un résumé (1 page) avant le 30 octobre. 

ORATEURS INVITÉS

     * Dawood AL CHANTI, GIPSA-lab / Grenoble
     * Hervé LE BORGNE, CEA LIST, Saclay
     * Désiré SIDIBE, IBISC Université Val d'Essonne
     * Tuan-Hung VU, VALEO
     * Zihao WANG, INRIA, Nice

ORGANISATEURS

     * Anissa MOKRAOUI (L2TI, Université Sorbonne Paris Nord), This email address is being protected from spambots. You need JavaScript enabled to view it.,
     * Mustapha LEBBAH (LIPN, Université Sorbonne Paris Nord), This email address is being protected from spambots. You need JavaScript enabled to view it.,
     * Hanane AZZAG (LIPN, Université Sorbonne Paris Nord), mailto:This email address is being protected from spambots. You need JavaScript enabled to view it.

Lien

Journée apprentissage appliqué aux données non-structurées

21 novembre 2019

Lieu: Amphi Darwin, Institut Galilée, Université Paris 13

Cette journée est ouverte à tous, cependant l'inscription est obligatoire pour des questions d'organisation 

Organisateurs: Anissa Mokraoui, Roberto Wolfler-Calvo

Evaluation de la fiabilité des algorithmes de "Machine Learning", Pierre DUHAMEL, L2S, Supelec
Deep Convolutional Auto-Encoders as Multiscale Inverse Problems, Tomás ANGLES, ENS ULM
Machine Learning driven Variable Frame-Rate in Video Broadcast Applications, Wassim HAMIDOUCHE, IETR, UMR CNRS 6164
Learning transforms for image/video compression, Aline ROUMY, INRIA Rennes
Enhancing HEVC spatial prediction by context-based learning, Li WANG, Telecom Paris Tech
Convex Functions and Neural Networks: a Case Study in Natural Language Processing, Joseph LEROUX, LIPN, Université Paris 13
Domain name recommendation based on Deep Neural Networks, Nistor GROZAVU, LIPN, Université Paris 13

Read more: Journée apprentissage appliqué aux données non-structurées (21 nov. 2019)