Lisa_seminaires

Download

lisa_seminaires@iro.umontreal.ca

February 2010

1 participants
2 discussions

UdeM-McGill-MITACS machine learning seminar Thu Mar. 4@14h30, AA-3195
by Dumitru Erhan 03 Mar '10

03 Mar '10

Next week's seminar (see http://www.iro.umontreal.ca/article.php3?id_article=107&lang=en) *Evaluating and Learning Invariant Features* by Ian Goodfellow Stanford University Location: *Pavillon André-Aisenstadt (UdeM), room AA-3195* Time: Thursday, March 4, 14:30. *Abstract*: One approach to unsupervised learning is to attempt to discover a function that decomposes the input into variables representing distinct factors of variation. A weaker version of this is to learn a representation where each variable is invariant to a small number of confounding aspects of the input. Experimental results show that the current degree of invariance achieved by some deep learning algorithms is small compared to that achieved by systems hand-designed to be invariant to specific transformations. I discuss some ideas for future invariance evaluation experiments and for methods of automatically learning to separate factors of variation. -- http://dumitru.ca, +1-514-432-8435

1 1

UdeM-McGill-MITACS machine learning seminar Tue Feb. 2@14h30, Z-209
by Dumitru Erhan 01 Feb '10

01 Feb '10

Please note the *different location: room Z-209* in Pavillon Claire-McNicoll, located right next to Pavillon André-Aisenstadt. Next week's seminar (see http://www.iro.umontreal.ca/article.php3?id_article=107&lang=en) *Apprentissage de fonctions de classification et d’ordonnancement avec des données partiellement étiquetées* by Massih-Reza Amini Research Officer, Interactive Language Technologies NRC Institute for Information Technology Gatineau, Quebec Location: *Pavillon Claire-McNicoll (UdeM), room Z-209* Time: Tuesday, February 2, 14:30. Avec le développement des technologies d’information on assiste depuis quelques années à une nouvelle impulsion pour la conception de nouveaux cadres d’apprentissage automatique. C’est le cas par exemple du paradigme semi-supervisé qui a vu le jour vers la fin des années 90 dans la communauté apprentissage. Les premiers travaux dans ce cadre ont été motivés par le développement du web qui a entraîné une production massive de données textuelles très hétérogènes. Ces masses de données sont généralement livrées sous forme brute, sans étiquetage a priori et pour les exploiter on était alors réduit à utiliser des techniques non-supervisées. Ces approches bien que totalement génériques ne permettent cependant qu’une analyse limitée des informations de contenu et ne répondent pas ainsi aux demandes de nombreuses tâches de Recherche d’Information (RI). L’idée pragmatique développée pour l’apprentissage semi-supervisé était née de la question; "comment réduire l’effort d’étiquetage et utiliser simultanément une petite quantité de données étiquetées avec la masse de données non-étiquetées disponible pour apprendre?" Un autre exemple de l’émergence de nouveaux cadres d’apprentissage concerne le développement de méthodes automatiques pour la recherche et l’ordonnancement d’entités d’information sur des corpus de grandes tailles. Récemment beaucoup de travaux se sont intéressés à la formulation des différentes formes de la tâche d’ordonnancement. Ces travaux ont proposé des algorithmes et développé des cadres théoriques pour la prédiction d’ordres totaux ou partiels sur les exemples. La Recherche d’Information est une fois encore le domaine par excellence où les modèles d’apprentissage de fonctions d’ordonnancement jouent un rôle prépondérant. Dans notre étude nous nous sommes intéressés à deux cadres d’ordonnancement d’instances et d’alternatives. Dans le premier cas il s’agit d’ordonner les exemples (où instances) d’une collection donnée de façon à ce que les exemples jugés pertinents soient ordonnés au—dessus des exemples non—pertinents et dans le second cas nous cherchons à ordonner les alternatives d’une collection donnée par rapport à chaque exemple d’entrée. Je présenterai l’ensemble de mes travaux suivant ces deux axes en commençant par l’apprentissage semi-supervisé de fonctions de classification qui est plutôt un travail algorithmique. Je décrirai ensuite le cadre théorique que nous avons proposé pour l’apprentissage de fonctions d’ordonnancements avec comme application l’apprentissage actif de fonctions d’ordonnancement d’alternatives. -- http://dumitru.ca, +1-514-432-8435

1 1