Non classé

27 janvier – Séminaire DIC-ISC-CRIA : Machine learning for stochastic optimization

Par : Janosh Ortmann

Résumé :

In this talk, I will discuss several applications of machine learning in stochastic optimization, transport planning and humanitarian and healthcare logistics.

In stochastic programming, scenarios are used to approximate the distributions of the unknown parameters and formulate and solve multi-stage stochastic optimization models. However, optimizing with respect to each scenario is computationally costly and it is often difficult to see how a change in assumptions impacts the solution.
By considering the scenarios as data themselves and then applying unsupervised clustering methods to this data set we can obtain new insights into the underlying optimization problem. I will show how this leads to new upper and lower bounds, but also to deeper insights in applications such as humanitarian logistics and the planning of healthcare distribution networks.

If time permits, I will also discuss how reinforcement learning can allow decision makers obtain new approximatively optimal solutions.

Bio :

Janosh Ortmann Ortmann is an associate professor in Data Science and Business Intelligence at UQAM and a member of the Centre de Recherches Mathématiques (CRM) and the Group for Research in Decision Analysis (GERAD). He holds a PhD in mathematics from Warwick University and has completed postdoctoral fellowships at the University of Toronto, Université de Montréal and Concordia University.

His main research interest lies in the analysis of decision making under uncertainty, particularly using techniques from machine learning, probability theory and operations research. Currently, he is working on applications such as the design of transport networks, humanitarian logistics and personalized medicine.

Jeudi 27 janvier, 10 h 30. 

Lien zoom :​ https://uqam.zoom.us/j/85407268175

Connectez-vous 10 à 15 minutes à l’avance, et donnez votre nom complet dès votre entrée pour nous faciliter la tâche de vous admettre au séminaire.

16 décembre – Séminaire DIC-ISC-CRIA : Utilisation de solveurs de contraintes pour inférer des modèles optimaux

Par : Florent Avellaneda

Résumé :
L'apprentissage automatique, qui consiste à inférer des modèles à partir d'observations, est un domaine de recherche très actif qui a conduit à d'importantes avancées dans de nombreux domaines. Parmi les méthodes récentes, l'apprentissage profond est sans doute la méthode qui suscite le plus d'intérêt. Cette méthode, basée sur une descente de gradient, consiste à corriger itérativement un réseau de neurones afin de minimiser ses erreurs de classifications sur un jeu de données d'apprentissage. Un défaut récurrent de cette méthode (et de nombreuses autres méthodes en apprentissage automatique), est le possible surentraînement des modèles, c.-à-d. inférer des modèles qui auront tendance à reconnaître seulement les jeux de données d'apprentissage sans généraliser aux cas généraux. Pour contourner ce problème, des volumes importants de données doivent être disponibles et de nombreuses techniques telles que l'augmentation de données ont été utilisées avec plus ou moins de succès.

Dans cette présentation, nous nous intéresserons à l'inférence de modèles optimaux. Nous définirons l'optimalité d'un modèle et proposerons des méthodes permettant d'inférer de tels modèles dans le cas de systèmes déterministes. Nous nous intéresserons spécifiquement à l'inférence d'automates, d'arbres de décisions et de factorisation de matrices booléen. Nous mettrons en évidence le constat que contrairement à la majorité des méthodes d'apprentissage automatique, l'inférence de modèles optimaux ne souffre pas du problème de surapprentissage. Au contraire, l'objectif est d'obtenir un modèle qui représente de manière optimale le jeu des données d’apprentissage. Nous observerons que la quantité minimale de données requises pour obtenir un modèle qualité est considérablement réduite en inférant des modèles optimaux.


Bio :
Florent Avellaneda est professeur à l'Université du Québec à Montréal (UQAM) ainsi que chercheurs en émergence au Centre de Recherche de l’Institut Universitaire de Gériatrie Montréal (CRIUGM). Titulaire d’une maîtrise et d’un doctorat en informatique fondamentale de l’université d’Aix-Marseille (France), Florent a travaillé comme chercheur postdoctorant au LAAS-CNRS de Toulouse puis comme chercheur postdoctorant et chercheur au Centre de Recherche Informatique de Montréal (CRIM). Ses principaux domaines d'intérêt sont l'inférence de modèles, la programmation par contraintes, intelligence artificielle frugale, la modélisation et la vérification formelle.


Jeudi 16 décembre, 10 h 00. Lien zoom : ​ https://uqam.zoom.us/j/85150962901 Connectez-vous 10 à 15 minutes à l’avance, et donnez votre nom complet dès votre entrée pour nous faciliter la tâche de vous admettre au séminaire.

2 décembre – Séminaire DIC-ISC-CRIA : Considering cognition & perception: towards more intuitive surgical guidance

Par : Marta Kersten-Oertel

Résumé :
During surgery, a surgeon must map preoperative patient images (e.g. CT and MRI scans) to the patient on the operating room table. This mapping helps the surgeon to spatially locate and understand the anatomy of interest that is not readily visible in the surgical field. This type of spatial mapping is non-trivial; may be time consuming and may be prone to errors. With augmented reality, sound guidance and specific interaction techniques we can create a more comprehensive and accurate understanding of the topology and location of patient-specific anatomical information to provide more intuitive guidance. With a focus on neurosurgery, this talk will discuss some of the research being done in the Applied Perception Lab at Concordia University to design move effective visualization methods and novel interaction and guidance techniques that improve the perceptual understanding of the surgical field and do not increase the cognitive load of the surgeon. Providing surgeons with this information has the potential to improve surgical workflows, reduce surgical time and increase surgical precision.


Bio :
Marta Kersten-Oertel  is Associate Professor, Computer Science and Software Engineering and Director, Undergraduate Program (BCompSc in Health and Life Sciences), Computer Science and Software Engineering.  Her research involves developing and testing visualization, display and interaction methods in the context of image-guided surgery.

Jeudi 2 décembre, 10 h 00. Lien zoom :  ​ https://uqam.zoom.us/j/85150962901 Connectez-vous 10 à 15 minutes à l’avance, et donnez votre nom complet dès votre entrée pour nous faciliter la tâche de vous admettre au séminaire.


4 novembre, Séminaire DIC-ISC-CRIA : Understanding as an emergent property of learning to predict the world

Par : Blake Richards
 
Résumé :
How do we develop an understanding of the world? Multiple lines of evidence in artificial intelligence and neuroscience are pointing to predictive learning as an essential feature of the development of understanding. In artificial intelligence, research has shown that learning to predict upcoming or adjacent sensory data is sufficient to develop complex behaviours indicative of far richer understanding than previous approaches. Simultaneously, evidence from neuroscience shows that predictive learning can account for a large array of neurophysiological data, both at the cellular, systems, and behavioural level. Here, I will argue that these converging lines of evidence tell us that what we call "understanding" is an emergent property of representations that are useful for prediction. I propose that predictive learning will come to be a core feature of both artificial general intelligence and our models of the brain.

Bio :
Blake Richards is an Assistant Professor in the Montreal Neurological Institute and the School of Computer Science at McGill University and a Core Faculty Member at the Quebec Artificial Intelligence Institute.

Jeudi 4 novembre, 10 h 00. Lien zoom : ​ https://uqam.zoom.us/j/85150962901
Connectez-vous 10 à 15 minutes à l’avance, et donnez votre nom complet dès votre entrée pour nous faciliter la tâche de vous admettre au séminaire.

28 octobre, Séminaire DIC-ISC-CRIA – Réseaux complexes, graphes et sciences des données



Par : Pierre Miasnikof

Résumé :
L’importance grandissante des plateformes numériques et des réseaux sociaux ont fourni un élan à l’étude des réseaux complexes. Les réseaux complexes sont des graphes ayant une structure non-triviale, contrairement aux graphes Erdös-Rényi, par exemple. Ces réseaux sont utilisés pour modéliser les interactions et les phénomènes systémiques, des cas de figure où l’étude à un niveau individuel ou même de paires ne suffit pas. Ces modèles apparaissent notamment dans l’étude des réseaux sociaux, mais aussi en biologie, en chimie, en télécommunications et en finance, parmi bien d’autres champs d’application. Je débuterai par une mise en contexte avec quelques exemples concrets. Je tenterai ensuite de tisser un lien entre ce domaine d’étude et d’autres sous-disciplines de l’informatique, non seulement avec la théorie des graphes, mais aussi avec les sciences des données, l’optimisation et les méthodes numériques. Je présenterai ensuite nos travaux en apprentissage non-supervisé sur ces jeux de données en réseau, qui posent des défis particuliers. Je ferai aussi un bref détour sur le rôle que pourraient jouer les architectures informatiques non-traditionnelles (ex. quantiques, simili-quantiques) dans ce domaine. Cette présentation vise un public large et ne présume aucune connaissance préalable en réseaux complexes. 


Bio :
Pierre Miasnikof a obtenu son doctorat en 2019. Il est chercheur post-doctoral au sein du Département de génie électrique et informatique de l’Université de Toronto. Il est aussi membre de l’Institut des sciences des données (Data Sciences Institute) de cette même université. Ses recherches portent sur les liens entre l’optimisation combinatoire, les réseaux complexes et les sciences des données.

Jeudi 28 octobre, 10 h 00. Lien zoom : ​ https://uqam.zoom.us/j/85150962901
Connectez-vous 10 à 15 minutes à l’avance, et donnez votre nom complet dès votre entrée pour nous faciliter la tâche de vous admettre au séminaire.

14 octobre, Séminaire DIC-ISC-CRIA - Neurophotonique et histologie sérielle augmentée : Présentation des projets de recherche du LINUM

Par : Joël Lefebvre 

Résumé :
La neurophotonique est le domaine de recherche qui vise à utiliser la lumière pour étudier le cerveau et comprendre le système nerveux. De multiples applications de la neurophotonique existent, allant du suivi de l’activité cérébrale à l’optogénétique où la lumière est utilisée pour activer certains neurones dans le cerveau d’animaux génétiquement modifiés. Plusieurs techniques de microscopie optique peuvent être utilisées pour étudier la microstructure du tissu cérébral afin de mieux comprendre son organisation ou son évolution sous diverses neuropathologies, dont la tomographie en cohérence optique, l'histologie sérielle, ou l'injection de virus rétrogrades fluorescents. Cette présentation portera sur les travaux de recherche du LINUM, le laboratoire de recherche en imagerie numérique et microscopie. Lors de cette présentation, je vais décrire les deux principaux programmes de recherche, soit (1) le projet X-Tract visant à mieux comprendre la géométrie des croisements de fibres de matière blanche dans le cerveau, et (2) un programme de recherche en histologie sérielle augmentée visant à combiner la microscopie avec des méthodes avancées d’analyse d’images.



Bio :
Joël Lefebvre est professeur en imagerie numérique et vision par ordinateur au département d'informatique de l'UQAM depuis janvier 2020. Avant de se joindre à l'UQAM, il était chercheur postdoctoral au sein du Big Data Institute de l'Université d'Oxford (Royaume-Uni). Il est spécialisé dans la neurophotonique, l'analyse d'images de microscopie et l'automatisation des systèmes d'imagerie optiques. Il est le chercheur principal du projet de recherche en équipe X-Tract visant à utiliser l'histologie sérielle 3D basée sur l'OCT pour améliorer les algorithmes de tractographie IRMd. Il est également chercheur associé à l'Institut de Cardiologie de Montréal (ICM).

Jeudi 14 octobre, 10 h 00. Lien zoom : ​ https://uqam.zoom.us/j/85150962901
Connectez-vous 10 à 15 minutes à l’avance, et donnez votre nom complet dès votre entrée pour nous faciliter la tâche de vous admettre au séminaire.

Data, Knowledge, and Logic: Modeling and Reasoning for Natural Language Understanding - Séminaire DIC-ISC-CRIA, 7 octobre

Par : Bang Liu


Résumé :
Existing deep learning-based techniques for different NLU tasks are mostly data-intensive and domain-sensitive. However, creating large-amount and high-quality training datasets for NLU tasks, e.g., question answering, are both expensive and time-consuming. In this talk, we will introduce our research on data generation, knowledge expansion, and reasoning over graphs. Specifically, for data augmentation, we generate large-scale and high-quality question-answer pairs from unlabeled text to augment the training data for question answering. For knowledge expansion, we create and expand an ontology with newly discovered concepts or entities to capture the emerging knowledge in the world and keep the ontology dynamically updated. We will also briefly mention our ongoing work about a reinforcement learning-based relational reasoning framework which reasons over relational data and learns the underlying compositional logical rules. Our long-term vision is to design low-resource, knowledge-empowered, and transferable NLU systems and apply them to different domains


Bio :
Bang Liu is an Assistant Professor in the Department of Computer Science and Operations Research (DIRO) at the University of Montreal, and member of Mila – Quebec Institute of Artificial Intelligence. He researches natural language processing and understanding, text mining, and AI applications in different fields. He has produced visible values to both academia and industry. His innovations have been deployed in real-world applications (QQ Browser, Mobile QQ, and WeChat), serving over a billion daily active users. He has published 25+ papers on top conferences and journals, such as SIGMOD, ACL, NAACL, KDD, WWW, ICDM, CIKM, TKDD, and TON.

Jeudi 7 octobre, 10 h 00. Lien zoom : ​ https://uqam.zoom.us/j/85150962901
Connectez-vous 10 à 15 minutes à l’avance, et donnez votre nom complet dès votre entrée pour nous faciliter la tâche de vous admettre au séminaire.

IA et EDI - le cas du TAL pour la préservation et revitalisation des langues autochtones. Séminaire DIC-ISC-CRIA 30 septembre

Par : Ngoc Tan LE


Résumé :
L’IA présente plusieurs défis et enjeux dont l’inclusivité, l’explicabilité, la responsabilité, les biais et la discrimination ainsi que la disponibilité et qualité des données.
Les langues autochtones souffrent du manque de données et de ressources linguistiques, ce qui les rend très menacées de disparition. Ces langues autochtones sont reconnues comme étant des langues polysynthétiques à faibles ressources mais aussi ayant une complexité morphologique et des variations dialectales. 
Cette présentation porte sur nos travaux de recherche courants concernant un groupe de langues autochtones, l'inuktitut et l'inuinnaqtun - deux langues inuites. Nous proposons une segmentation morphologique non supervisée basée sur l'approche Adapter Grammars et une étude empirique de la segmentation morphologique à des fins de la traduction automatique neuronale pour langues très peu dotées.


Bio :
Ngoc-Tan Le est actuellement stagiaire post-doctoral à l’UQAM. Il a obtenu un doctorat en informatique cognitive en 2019. Ses intérêts en recherche incluent le traitement automatique des langues naturelles (TALN) et l’intelligence artificielle, notamment pour le développement d’applications et outils d’intelligence artificielle pour les langues et domaines peu dotés ou pauvres en données, dont les langues autochtones et leurs enjeux et réalités.

Jeudi 30 septembre, 10 h 00. Lien zoom https://uqam.zoom.us/j/85150962901. Connectez-vous 10 à 15 minutes à l’avance, et donnez votre nom complet dès votre entrée pour nous faciliter la tâche de vous admettre au séminaire.


Institut des sciences cognitives

Fondé en 2003, l'Institut des sciences cognitives de l'UQAM vise à favoriser la recherche et le développement de compétences dans le domaine des sciences cognitives, à en partager les connaissances, à faciliter les échanges interdisciplinaires et à animer sa communauté.

Suivez-nous

Coordonnées

Institut des sciences cognitives isc@uqam.ca
Local A-3741
400, rue Sainte-Catherine Est
Montréal (Québec) H2L 2C5