Grant: Discovery Grants Program - Individual
Concordia University
$28,000.00
Apprentissage statistique hybride (génératif/discriminatif) de modèles multi-relationnels dynamiques et Applications
FY 2014-15
Summary
Ce programme de recherche vise la mise en oeuvre de méthodologies, d'algorithmes et de technologies pour la modélisation statistique de données multi-relationnelles. Il s'agit de développer des méthodes d'apprentissage statistique, basées sur des modèles de mélanges de distributions, capables de prendre en compte des dépendances entre entités, correspondant à plusieurs types de relations explicites ou implicites. Cette approche se démarque du cadre classique sur lequel se sont développées plusieurs approches d'apprentissage et qui postulent que les données sont indépendantes et identiquement distribuées. Dans ce contexte, nous proposons le développement de nouvelles approches robustes et effectives pour l'estimation de paramètres des mélanges, la sélection de caractéristiques surtout dans le cas de données de grande dimension, la sélection automatique de modèles et leurs mise à jour à chaque fois que de nouvelles données ou relations sont introduites. Nous favoriserons aussi le développement d'approches hybrides génératives discriminatives à partir de ces modèles de mélanges. Pour la validation de nos approches, nous proposons le développent de techniques pour l'extraction automatique d'entités et de relations à partir de données multimodales (textes, images, vidéos) générées par les réseaux sociaux d'internet (ex. facebook, Twitter, Flicker, MySpace, etc.). Le projet proposé est très prometteur, basé sur des formulations mathématiques et statistiques solides, et permettra l'avancement de connaissances en apprentissage statistique et prospection de données. Les applications sont diverses telles que l'identification des communautés et la modélisation du contenu multimodal dans les réseaux sociaux. Les résultats de la recherche que nous proposons peuvent être appliqués pour différents autres domaines et disciplines (biologie, science sociale, médecine, etc.). En effet, la modélisation statistique de données présentant des liens, porteur d'information, les unes entre les autres concerne toute la communauté scientifique et ont de plus en plus d'ubiquité dans notre société d'information.
Program
Discovery Grants Program - Individual
Recipient
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data
As published
Application id
341585-2012
Name nom
Bouguila, Nizar
Department département
Concordia Institute for Information Systems Engineering (CIISE)
Organization id
70
Institution établissement
Concordia University
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2014
Competition year année de concours
2012
Award amount
28000
Program id
RGPIN
Program name en
Discovery Grants Program - Individual
Program name fr
Programme de subventions à la découverte - individuelles
Group en
Discovery grants programs
Group fr
Programmes de subventions à la découverte
Committee code
1507
Committee name en
Computer Science
Committee name fr
Sciences informatiques
Area of application code
802
Area of application group en
Information and communication services
Area of application group fr
Services d'information et de télécommunications
Area of application en
Information systems and technology
Area of application fr
Systèmes d'information et technologie de l'information
Research subject code
2700
Research subject group en
Information technology
Research subject group fr
Technologie de l'information
Research subject en
Information technology
Research subject fr
Technologie de l'information
Partie
3
Nb partie
5
Application title
Apprentissage statistique hybride (génératif/discriminatif) de modèles multi-relationnels dynamiques et Applications
Keyword
NSERC
Application summary
Ce programme de recherche vise la mise en oeuvre de méthodologies, d'algorithmes et de technologies pour la modélisation statistique de données multi-relationnelles. Il s'agit de développer des méthodes d'apprentissage statistique, basées sur des modèles de mélanges de distributions, capables de prendre en compte des dépendances entre entités, correspondant à plusieurs types de relations explicites ou implicites. Cette approche se démarque du cadre classique sur lequel se sont développées plusieurs approches d'apprentissage et qui postulent que les données sont indépendantes et identiquement distribuées. Dans ce contexte, nous proposons le développement de nouvelles approches robustes et effectives pour l'estimation de paramètres des mélanges, la sélection de caractéristiques surtout dans le cas de données de grande dimension, la sélection automatique de modèles et leurs mise à jour à chaque fois que de nouvelles données ou relations sont introduites. Nous favoriserons aussi le développement d'approches hybrides génératives discriminatives à partir de ces modèles de mélanges. Pour la validation de nos approches, nous proposons le développent de techniques pour l'extraction automatique d'entités et de relations à partir de données multimodales (textes, images, vidéos) générées par les réseaux sociaux d'internet (ex. facebook, Twitter, Flicker, MySpace, etc.). Le projet proposé est très prometteur, basé sur des formulations mathématiques et statistiques solides, et permettra l'avancement de connaissances en apprentissage statistique et prospection de données. Les applications sont diverses telles que l'identification des communautés et la modélisation du contenu multimodal dans les réseaux sociaux. Les résultats de la recherche que nous proposons peuvent être appliqués pour différents autres domaines et disciplines (biologie, science sociale, médecine, etc.). En effet, la modélisation statistique de données présentant des liens, porteur d'information, les unes entre les autres concerne toute la communauté scientifique et ont de plus en plus d'ubiquité dans notre société d'information.