ParisTech
Groupe de lecture Apprentissage

Modifié le 22 octobre 2008.

Contact: Francis Bach - Jean Philippe Vert




Ce groupe de lecture a pour but d'approfondir certains thèmes de l'apprentissage statistique et de ses applications. Si vous souhaitez participer et recevoir les emails d'annonces, veuillez envoyer un mail à Francis Bach ou Jean Philippe Vert.

Regarder aussi la page web suivante: http://cbio.ensmp.fr/paristechML/




2008


Jeudi 23 octobre 2008, 14h, Ecole des Mines de Paris (60, Bd St-Michel), Salle V106
Sujet: L1 penalties for learning graphical models
N. Meinshausen and P. Bühlmann (2006), High-dimensional graphs and variable selection with the Lasso, Annals of Statistics 34, 1436-1462. (presented by Fantine Mordelet)
M. Yuan and Y. Lin (2007), Model selection and estimation in the Gaussian graphical model, Biometrika, 94(1), 19-35. (presented by Jean-Philippe Vert)

Jeudi 18 septembre 2008, 14h, Ecole des Mines de Paris (60, Bd St-Michel), Salle L109
Sujet: "ICML compilation".
Multi-Task Learning for HIV Therapy Screening, by Steffen Bickel, Jasmina Bogojeska, Thomas Lengauer, and Tobias Scheffer
Efficient Projections onto the L1-Ball for Learning in High Dimensions by John Duchi, Shai Shalev-Shwartz, Yoram Singer, and Tushar Chandra
SVM Optimization: Inverse Dependence on Training Set Size by Shai Shalev-Shwartz and Nathan Srebro

Jeudi 12 juin  2008, à l'Ecole des Mines de Paris (60, Bd St-Michel), 14h, salle L224
Sujet: Apprentissage semi-supervise (aspects theoriques)
Generalization error bounds in semi-supervised classification under the cluster assumption, Philippe Rigollet

Jeudi 22 mai  2008, à l'Ecole des Mines de Paris (60, Bd St-Michel), 14h, salle L213
Sujet: The score matching function
http://www.cs.helsinki.fi/u/ahyvarin/papers/JMLR05.pdf

Jeudi 17 avril  2008, à l'Ecole des Mines de Paris (60, Bd St-Michel), 14h, salle L106
Sujet: Graph cuts and energy functions
 http://www.cs.cornell.edu/~rdz/Papers/KZ-PAMI04.pdf

Jeudi 20 mars 2008, à l'Ecole des Mines de Paris (60, Bd St-Michel), 14h, salle L224
Sujet: Methodes variationnelles d'inference - II
http://www.cs.berkeley.edu/~jordan/papers/WaiJorVariational03.ps.gz

 Jeudi 21 fevrier 2008, à l'Ecole des Mines de Paris (60, Bd St-Michel), 14h, salle L106
Sujet: Methodes variationnelles d'inference - I
http://www.cs.berkeley.edu/~jordan/papers/WaiJorVariational03.ps.gz



2007

Jeudi 13 decembre 2007, 14h, Ecole des Mines de Paris, Salle L106
Sujet: "NIPS compilation". Beaucoup d'articles disponibles ici.


Jeudi 1er fevrier  2007, à l'Ecole des Mines de Paris (60, Bd St-Michel), 14h, salle L213
Sujet: Méthodes de chemin de regularisation
http://www-stat.stanford.edu/~saharon/papers/piecewise-revised.pdf


Jeudi 8 mars  2007, à l'Ecole des Mines de Paris (60, Bd St-Michel), 14h, salle L106
Sujet: Apprentissage semi-supervise
Semi-supervised classification by low-density separation, O. Chapelle & A. Zien


Jeudi 5 avril  2007, à l'Ecole des Mines de Paris (60, Bd St-Michel), 14h, salle L224
Sujet: Apprentissage semi-supervise (aspects theoriques)
Generalization error bounds in semi-supervised classification under the cluster assumption, Philippe Rigollet

Jeudi 10 mai 2007, à l'Ecole des Mines de Paris (60, Bd St-Michel), 14h, salle L224
Sujet: Methodes de prediction de donnees structurees
I. Tsochantaridis, T. Joachims, T. Hofmann, and Y. Altun, Large Margin Methods for Structured and Interdependent Output Variables, Journal of Machine Learning Research (JMLR), 6(Sep):1453-1484, 2005

 Jeudi 7 juin 2007, à l'Ecole des Mines de Paris (60, Bd St-Michel), 14h, salle L224
Sujet: Methodes de prediction de donnees structurees
Max-Margin Markov Networks, B. Taskar, C. Guestrin, V. Chatalbashev and D. Koller.

2006

Jeudi 11 mai 2006, à l'Ecole des Mines de Paris (60, Bd St-Michel), salle L107, 14h.
Sujet: méthodes variationnelles d'inférence
Article: http://www.cs.berkeley.edu/~jordan/papers/variational-intro.pdf


Jeudi 29 juin 2006, 14h, Ecole des Mines de Paris
Sujet: Théorie de l'apprentissage - section 1 à 5 seulement
Review: http://www.econ.upf.es/~lugosi/esaimsurvey.pdf


Jeudi 14 septembre 2006, 14h, Ecole des Mines de Paris, Salle L106
Sujet: Théorie de l'apprentissage (SUITE) - section 1 à 5 seulement
Review: http://www.econ.upf.es/~lugosi/esaimsurvey.pdf


Jeudi 9 novembre 2006, 14h, Ecole des Mines de Paris, Salle L106
Sujet: Classifications par fonctions de pertes convexes
http://www.stat.berkeley.edu/~bartlett/papers/bjm-ccrb-05.ps.gz


Jeudi 14 decembre 2006, 14h, Ecole des Mines de Paris, Salle L213
Sujet: "NIPS compilation". Beaucoup d'articles disponibles ici.
J.-P. Vert : Adaboost is consistent, P. Bartlett and M. Traskin
Z. Harchaoui : A Local Learning Approach for Clustering, M. Wu, B. Schoelkopf
F. Bach : Correcting Sample Selection Bias by Unlabeled Data, J. Huang, A. Smola, A. Gretton, K. M. Borgwardt, B. Schölkopf
L. Jacob : Combining causal and similarity-based reasoning, C. Kemp, P. Shafto, A. Berke, J. Tenenbaum



Liste de sujet potentiels avec articles (pour tous commentaires/suggestions, envoyer un mail à Francis Bach).

Apprentissage et fonctions de pertes
classification binaire: http://www.stat.berkeley.edu/~bartlett/papers/bjm-ccrb-05.ps.gz
classification multiclasse: http://www.stat.berkeley.edu/~bartlett/papers/tb-ocmcm-05.pdf

Apprentissage semi-supervisé
Articles a suggerer...

Méthodes variationnelles d'inférence:
Papier introductif:
http://www.cs.berkeley.edu/~jordan/papers/variational-intro.pdf
Papier plus moderne (et plus long/dur):
http://www.cs.berkeley.edu/~jordan/papers/WaiJorVariational03.ps.gz

Méthodes d'optimisation permettant d'obtenir un chemin de solutions au prix d'une seule: plus algorithmique et plus technique.
Pour le LASSO/LAR:
http://www-stat.stanford.edu/~hastie/Papers/LARS/LeastAngle_2002.pdf
Pour la SVM:
http://jmlr.csail.mit.edu/papers/volume5/hastie04a/hastie04a.pdf
En général (plus dur):
http://www-stat.stanford.edu/~saharon/papers/piecewise-revised.pdf

Théorie de l'apprentissage
Review: http://www.econ.upf.es/~lugosi/esaimsurvey.pdf

Modèles graphiques discriminants

Méthodes Bayésiennes non-paramétriques
http://www.cs.berkeley.edu/~jordan/nips-tutorial05.ps

Apprentissage par renforcements
Articles a suggerer...