Séminaire du DIC

Florent AVELLANEDA – 16 décembre 2021

Titre : Utilisation de solveurs de contraintes pour inférer des modèles optimaux

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 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.

Marta KERSTEN-OERTEL – 2 décembre 2021

Titre: Considering cognition & perception: towards more intuitive surgical guidance

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.

Frédéric GOSSELIN – 25 novembre 2021

Titre : Decoding real-world visual recognition abilities in the human brain

Résumé:

Not all individuals are equally proficient in visual recognition. We recorded high-density EEG in typical and “super-recogniser” participants while they viewed faces, objects, animals, and scenes. We trained linear classifiers to predict whether brain activity belonged to an individual from the “super” or “typical” recogniser group. Using fractional ridge regression, we also predicted individual ability scores for both face and non-face stimuli. Representational similarity analysis and computational models ings revealed two representational signatures of higher face-recognition ability: mid-level visual computations and high-level semantic computations. The ability to identify faces is supported by domain-general brain mechanisms distributed across several information processing steps, from low-level feature integration to high-level semantic processing.

Bio:

Frédéric Gosselin is Full Professor in the Département de psychologie at UdeM, and co-director of CerebrUM. A leading expert in high-level vision, he is co-inventor of the Bubbles technique. He uses a combination of psychophysical, neuropsychological, brain imaging and computational methods. His recent work is on individual differences in face recognition abilities. Gosselin is the founder and CEO of Elephant Scientific Consulting Inc.. His company has been advising multinational corporations such as Unilever, Cirque du Soleil and Netflix for 19 years.

Jiri WIEDERMANN – 18 novembre 2021

Titre : Autonomous machines and consciousness

Résumé:

Autonomous machines, like robots and self-driving cars operate and co-operate in the real-world, coping with unpredictable external phenomena and error-prone technology. We model them as cyber-physical system controlled by universal processors implementing “minimal machine consciousness understanding.” The system operates with full awareness of the state of its components and its environment, enabling it to construct an up-to-date world model. Based on the current model and the cognitive state, a prediction of the future expected situation can be made, enabling the machine to determine what to do. We will present some details about the model, define and justify our machine versions of consciousness and understanding and describe their computational realization. We argue that minimal machine consciousness and understanding leads to more trustworthy, safer and more reliable systems, increasing their behavioral flexibility and autonomy in varying environments and strengthening their resilience to operation or cooperation failures.

Références:

Wiedermann, J., van Leeuwen, J. (2019): Finite State Machines with Feedback: An Architecture Supporting Minimal Machine Consciousness. In: Manea F., et al., Eds. Computability in Europe: Computing with Foresight and Industry (CiE 2019), Lecture Notes in Computer Science, Vol. 11558, Springer, 2019, pp. 286-297, https: //www.springerprofessional.de/en/finite-state-machines-with-feedback-an-architecture-supporting-m/16879858

Wiedermann, J., van Leeuwen, J. (2021) Towards minimally conscious finite-state controlled cyber-physical systems: A manifesto. In: T. Bureš et al. (Eds.), SOFSEM 2021: Theory and Practice of Computer Science, Lecture Notes in Computer Science Vol 12607, Springer-Verlag, pp. 43-5,5 https://www.cs.uu.nl/groups/AD/UU-PCS-2020-02.pdf

Wiedermann, J., van Leeuwen J. (2021) Autonomous vehicles that cooperate and understand: Intelligent algorithms under the hood. TR UU-PCS-2021-01, Center for Philosophy of Computer Science, Department of Information and Computing Sciences, Utrecht University, https://www.cs.uu.nl/groups/AD/UU-PCS-2021-01.pdf

van Leeuwen J., Wiedermann J. (2021): Impossibility Results for the Online Verification of Ethical and Legal Behaviour of Robots, TR UU-PCS-2021-02, Center for Philosophy of Computer Science, Dept. of Information and Computing Science, Utrecht University, Utrecht, 2021, https://www.cs.uu.nl/groups/AD/UU-PCS-2021-02.pdf

Bio:

Jiří Wiedermann belongs to the first generation of pioneers in computer science in former Czechoslovakia. In the recent years he focuses mainly on algorithms and models for AI inspired by modeling human higher-level abilities such as machine consciousness, understanding and other semantic properties of AI systems. Homepage: www.cs.cas.cz/~wieder.

Per BACKLUND – 11 novembre 2021

Titre : Serious games design knowledge

Résumé:

Serious games is an effort to combine the engagement and motivation from games with some sort of utility beyond mere entertainment. In this talk Per Backlund will revisit and analyze a set of SG development projects to explore the design space for serious games and derive design guidelines for serious games. By analyzing these projects as well as their outcomes a set of design principles for serious games can be generated to conceptualize of the design space for serious games. One main contribution is to explicate the game design component in serious games and relate it to the utility dimension. Doing so, adds to the understanding of serious games from a game perspective, which is relevant to any development effort intending to use the persuasive and motivational power of games. The talk will offer several examples and experiences from practical serious games development.

Bio:

Per Backlund (https://www.his.se/en/about-us/staff/per.backlund/) is a professor of informatics at University of Skövde in Sweden. He has been active in the serious games community since 2005. His primary interest is in the development and application of serious games in various domains, such as: education, vocational training, traffic education and rehabilitation. Per Backlund is also co-founder, in 2008, of the Serious Games Master Program at University of Skövde.

Blake RICHARDS – 4 novembre 2021

Titre : Understanding as an emergent property of learning to predict the world

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.

Pierre MIASNIKOF – 28 octobre 2021

Titre : Réseaux complexes, graphes et sciences des données

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.

Gilbert PAQUETTE – 22 octobre 2020

Titre : Le Web sémantique en Ingénierie des environnements numériques d’apprentissage

Résumé:

La méthode d’ingénierie des systèmes d’apprentissage (MISA) a innové il y a une quinzaine d’année en intégrant la modélisation des connaissances au design pédagogique et aux principes du génie logiciel et cognitif. Elle est fondée sur quatre types de modèles : connaissances et compétences, scénario pédagogique, modèle médiatique et processus (logistique) de diffusion. Depuis, l’essor du Web sémantique a fourni un ensemble croissant de modèles sous forme d’ontologies pouvant être intégrés comme composantes d’une méthode d’ingénierie des environnement numérique d’apprentissage (ENA). Le but de ce séminaire est de présenter comment les typologies élaborées et intégrées à MISA peuvent être transformées en ontologies et utilisée pour la réalisation des ENA. La question des outils utilisant ces ontologies ne sera qu’effleurée, mais on en soulignera certains aspects de fonctionnement.

Bio:

Professeur émérite à la Télé-université, Gilbert Paquette a obtenu un Ph.D de l’Université du Maine (FRANCE) en Intelligence Artificielle et Éducation. Il fondé en 1992 l’Institut de recherche LICEF et a reçu en 2007 un doctorat Honoris Causa de l’Université Pierre et Marie Curie (Paris VI). Titulaire de la chaire de recherche du Canada en ingénierie cognitive et éducative de 2002 à 2015, il a dirigé de 2004 à 2009 le réseau pancanadien LORNET, puis le programme PRIOWS sur l’ingénierie ontologique et plus récemment les projets BRER et REFRER sur l’indexation sémantique des ressources éducatives, puis le projet CLOM personnalisation. Ses publications récentes incluent quatre livres sur les technologies d’apprentissage, la modélisation des connaissances, le Web sémantique, l’ingénierie pédagogique et la formation à distance.