- Prix - Award,
- Recherche,
Tony Ribeiro, post-doctorant à Centrale Nantes, obtient le "best paper award" à la conférence internationale ILP
Tony Ribeiro, post-doctorant au sein de l'équipe Méthodes Formelles pour la Bioinformatique du LS2N dans le cadre d'un projet collaboratif franco-japonais co-financé par le National Institute of Informatics (NII, à Tokyo) et le RFI Atlanstic 2020, a obtenu le "best paper award" à la conférence internationale ILP (International Conference on Inductive Logic Programming).
le 15 novembre 2021
La conférence internationale ILP (International Conference on Inductive Logic Programming) est une conférence de référence dans le domaine de la programmation logique inductive, sous-domaine de l'intelligence artificielle. Elle a cette année été intégrée à la conférence IJCLR (International Joint Conference on Learning & Reasoning) qui s'est tenue du 25 au 27 octobre 2021, en ligne.
Tony Ribeiro a démarré ce travail en 2020 en partant 6 mois au National Institute of Informatics (NII) dans l'équipe de Katsumi Inoue, et l'a concrétisé par un article tout juste accepté dans la revue "Machine Learning Journal". Il l'a poursuivi au cours de son post-doctorat au sein de l'équipe MéForBio depuis janvier 2021.
Sa contribution se situe dans le domaine de l'apprentissage de modèles dynamiques explicables de systèmes biologiques. Jusqu'alors, pour construire un modèle discret à partir de données de séries temporelles (par exemple des données d'expression génétique en fonction du temps), il fallait faire une hypothèse préalable sur le mode de mise à jour du modèle. Cette question des modes de mise à jour est au cœur de nombreuses recherches, et parmi les plus connus figurent les modes de mise à jour synchrone (plusieurs variables du modèle sont mises à jour simultanément) ou asynchrone (une unique variable peut être mise à jour).
Dans cet article Learning any memory-less discrete semantics for dynamical systems represented by logic programs (pre-print accessible Hal), Tony a proposé avec ses co-auteurs un algorithme permettant d'apprendre un modèle logique à partir de données de séries temporelles sans faire d'hypothèse préalable sur le mode de mise à jour du modèle. Cet algorithme est accompagné d'une implémentation pratique, disponible sous la forme d'une API Python accessible à tous.
L'apport de cette contribution a été reconnue tant par l'acceptation de cet article dans Machine Learning Journal (revue classée Q1 dans Scimago) que par l'obtention de ce "best paper award".
Tony Ribeiro a démarré ce travail en 2020 en partant 6 mois au National Institute of Informatics (NII) dans l'équipe de Katsumi Inoue, et l'a concrétisé par un article tout juste accepté dans la revue "Machine Learning Journal". Il l'a poursuivi au cours de son post-doctorat au sein de l'équipe MéForBio depuis janvier 2021.
Sa contribution se situe dans le domaine de l'apprentissage de modèles dynamiques explicables de systèmes biologiques. Jusqu'alors, pour construire un modèle discret à partir de données de séries temporelles (par exemple des données d'expression génétique en fonction du temps), il fallait faire une hypothèse préalable sur le mode de mise à jour du modèle. Cette question des modes de mise à jour est au cœur de nombreuses recherches, et parmi les plus connus figurent les modes de mise à jour synchrone (plusieurs variables du modèle sont mises à jour simultanément) ou asynchrone (une unique variable peut être mise à jour).
Dans cet article Learning any memory-less discrete semantics for dynamical systems represented by logic programs (pre-print accessible Hal), Tony a proposé avec ses co-auteurs un algorithme permettant d'apprendre un modèle logique à partir de données de séries temporelles sans faire d'hypothèse préalable sur le mode de mise à jour du modèle. Cet algorithme est accompagné d'une implémentation pratique, disponible sous la forme d'une API Python accessible à tous.
Session poster avec l'équipe lors de la conférence ILP
L'apport de cette contribution a été reconnue tant par l'acceptation de cet article dans Machine Learning Journal (revue classée Q1 dans Scimago) que par l'obtention de ce "best paper award".
