Archives

Poste MCF IUT Bourg

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Equipe SOC, Laboratoire LIRIS UMR 5205
Durée : Poste MCF
Contact : parisa.ghodous@univ-lyon1.fr
Date limite de publication : 2023-04-30

Contexte :
L’Université Claude Bernard Lyon 1 ouvre au concours de recrutement, un poste de Maître de conférences rattaché au pôle “Données, système et sécurité ” du ” Laboratoire d’InfoRmatique en Image et Systèmes d’information ” (LIRIS Lab, Unité Mixte de Recherche CNRS – UMR 5205). Parmi les équipes de ce pôle, l’équipe Service Oriented Computing (SOC – https://liris.cnrs.fr/equipe/soc) est prioritaire sur ce recrutement. Les candidats ayant un solide dossier de recherche avec un profil autour du concept de services au sens large (modèles & techniques liés aux fondements des services, environnements orientés services, IA et services, services de sécurité, services intelligents, services cognitifs, services IoT, services de recommandation, services Cloud ou Blockchain, privacy, et sécurité des services) et qui montrent un intérêt particulier pour l’aspect enseignement (à l’IUT, sur le site délocalisé de Bourg en Bresse) relevant du génie logiciel et de l’algorithmique ont toutes leurs chances.

Pour plus de détails (version française et anglaise) : https://www.galaxie.enseignementsup-recherche.gouv.fr/ensup/ListesPostesPublies/FIDIS/0691774D/FOPC_0691774D_4708.pdf

Candidature via Galaxie – https://www.galaxie.enseignementsup-recherche.gouv.fr/ensup/cand_recrutement.htm

Pour plus d’informations, vous pouvez utiliser les contacts suivants :

Contact enseignement : Jean-Philippe FARRUGIA, Responsable du département Informatique, IUT Lyon 1 site de Bourg-en-Bresse, 04.74.45.50.52, iutbourg.info.chefdpt@univ-lyon1.fr

Contact recherche : JM PETIT, Directeur du LIRIS, 06 27 08 60 38, jean-marc.petit@insa-lyon.fr

Les responsables de l’équipe SOC, F. BIENNIER (frederique.biennier@liris.cnrs.fra-lyon.fr) et C. GHEDIRA (chirine.ghedira-guegan@ liris.cnrs.fra-lyon.fr)

Sujet :
un poste de Maître de conférences rattaché au pôle “Données, système et sécurité ” du ” Laboratoire d’InfoRmatique en Image et Systèmes d’information ” (LIRIS Lab, Unité Mixte de Recherche CNRS – UMR 5205). Parmi les équipes de ce pôle, l’équipe Service Oriented Computing (SOC – https://liris.cnrs.fr/equipe/soc) est prioritaire sur ce recrutement.

Profil du candidat :
Les candidats ayant un solide dossier de recherche avec un profil autour du concept de services au sens large (modèles & techniques liés aux fondements des services, environnements orientés services, IA et services, services de sécurité, services intelligents, services cognitifs, services IoT, services de recommandation, services Cloud ou Blockchain, privacy, et sécurité des services) et qui montrent un intérêt particulier pour l’aspect enseignement (à l’IUT, sur le site délocalisé de Bourg en Bresse) relevant du génie logiciel et de l’algorithmique ont toutes leurs chances.

Formation et compétences requises :
Diplôme de doctorat en Informatique

Adresse d’emploi :
Université Claude Bernard Lyon 1
Laboratoire LIRIS

Searching the web with Things

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LS2N – Nantes
Durée : 36
Contact : pascal.molli@univ-nantes.fr
Date limite de publication : 2023-05-31

Contexte :
ANR MeKaNo

Sujet :
The objective of the PhD is to search the web with Things (More details about the positions are available [1]) relying on Semantic Web technologies. Our particular interest is the scalable support for indexing and searching on the web with concepts.

[1]https://docs.google.com/document/d/1hMp3tHupKe1WvW9zSMajY0bSua5oEp1JKNRtRY4zEP0/edit?usp=sharing

Profil du candidat :
Applicants for a PhD position must have a Master’s degree in computer science or a closely related field.

Formation et compétences requises :
Applicants must also have a strong background in data and knowledge engineering, graph data management and querying. Additional knowledge and experiences in the following areas are highly appreciated: data integration (data lakes, fabrics), provenance, machine learning, dynamic knowledge graphs, and data science. Outstanding spoken and written communication skills in English are essential.

Adresse d’emploi :
LS2N
Université de Nantes – faculté des Sciences et Techniques (FST)
Bâtiment 34
2 Chemin de la Houssinière
BP 92208, 44322 Nantes Cedex 3

Document attaché : 202303071700_Searching the web with Things – Master thesis 2022.pdf

CAp 2023: Deadline extended to March 8 (Paris time)

Date : 2023-07-03 => 2023-07-05
Lieu : Strasbourg

The submission information can be found here (https://pfia23.icube.unistra.fr/conferences/cap/index.html). Submitted papers can be either in English or in French and we encourage two types of submissions:

Full research papers on the theme of machine learning theory and its applications should not exceed 10 pages in CAp double-column format (including references and figures). A suitable LaTeX templatefor CAp is available here.
Short papers can be up to 6 pages using the same format as the full papers. They present original ideas and provide an opportunity to describe significant work in progress.
We also encourage the submission of recent (2022 or 2023) papers accepted to high level conferences and journals in machine learning. These papers will also be reviewed (lightly) by the program committee. If accepted, they will be presented at the conference but will not appear in any (online) proceedings. Note that, in this particular case, the paper can be submitted in the original conference format (length and style) and the reviews given by the conference/ML journal where it was accepted should be included as the first pages of the submission in addition to a link to the corresponding conference/ML journal web page. The submission of the reviews and the original paper should be merged and submitted into a single PDF file on the easychair website.

Some accepted papers will be presented in a long (20 minutes) oral presentation and all the accepted papers will be given the opportunity to be presented as a spotlight (3 minutes) and as a poster at the conference. These presentations are an opportunity to have constructive and rigorous feedbacks, as well as to establish contacts with members of the french machine learning community. PhD Students are particularly welcome and encouraged to submit papers. Contributions will be freely distributed on the conference website, subject to approval by the authors.

KEY DATES

CAp Event: 3-5 July 2022
PFIA Event: 3-7 July 2022
CAp papers submission deadline: March 8th 2023 (Paris time)
Notification to authors for CAp papers: 15th of April 2023
Camera ready: 2nd of May 2023
Opening for registration: 22nd of April 2023
Early bird registration for the conference: up to the 23rd of May 2023
TOPICS

The conference and program chairs of CAp 2023 invite those working in areas related to any aspect of machine learning to submit original papers for review. Solicited topics include, but are not limited to:

Learning theory, models and paradigms:

Active learning
Online learning
Multi-target, multi-task, multi-instance, multi-view and transfer learning
Supervised, unsupervised and semi-supervised learning
Reinforcement learning
Relational learning
Representation learning
Symbolic learning
Bandit algorithms
Matrix and tensor factorization
Optimal Transport for Machine Learning
Privacy preserving Machine Learning
Ethic and fairness of Machine Learning
Interpretable Machine Learning
Grammar induction
Kernel methods
Bayesian methods
Spectral methods
Stochastic processes
Ensemble learning and boosting
Graphical models
Gaussian process
Neural networks and deep learning
Learning theory
Game theory
Optimization et related problems:

Large-scale machine learning and optimization
Optimization algorithms
Distributed optimization
Machine learning and structured data (spatio-temporal data, tree, graph)
Classification with missing values
Applications:

Social network analysis
Temporal data analysis
Bioinformatic
Data mining
Neuroscience
Natural language processing
Information retrieval
Computer vision

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Maître de Conférences 61/27

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Centrale Lille Institut / CRIStAL
Durée : Fonctionnaire
Contact : pierre.chainais@centralelille.fr
Date limite de publication : 2023-03-31

Contexte :
Centrale Lille Institut ouvre au concours un poste de Maître de Conférences 61/27 « Science des données ». Il est annoncé ici sur Galaxie :

https://www.galaxie.enseignementsup-recherche.gouv.fr/ensup/ListesPostesPublies/FIDIS/0597139P/FOPC_0597139P_30.pdf

La personne recrutée sera intégrée aux activités « machine learning & traitement du signal » :
au département d’enseignements « Mathématiques-Informatique » de Centrale Lille
à l’UMR CRIStAL (Centre de Recherche en Informatique, Signal et Automatique de Lille – UMR 9189
Mots-clefs : Science des données et apprentissage statistique, traitement du signal, intelligence artificielle, reconstruction, restauration, analyse.

Sujet :
Le profil est intitulé “Science des données”.

La personne recrutée sera intégrée
• A l’équipe pédagogique du département Mathématique et Informatique, avec une activité d’enseignement orientée vers le domaine de la science des données, et plus particulièrement du traitement du signal et de l’apprentissage statistique et exercée au sein de l’ensemble des formations de Centrale Lille, d’une part
• Au Centre de Recherche en Informatique, Signal et Automatique de Lille (CRIStAL, UMR 9189 CNRS) et rattachée à l’équipe Signal, Modèles et Applications (SigMA), d’autre part

Profil du candidat :
Profil enseignement
De manière générale, la personne recrutée devra participer aux enseignements autour de la thématique science des données & IA au sein de l’établissement, ainsi qu’à l’encadrement des diverses activités pédagogiques telles que les projets et suivis de stages.
Les besoins en enseignement sont à l’interface entre traitement du signal, science des données et apprentissage statistique, dans l’ensemble des formations de Centrale Lille. Il s’agira prioritairement d’interventions en traitement du signal et apprentissage statistique dans les différentes années de formation à l’École Centrale de Lille. En particulier, plusieurs enseignements devront être assumés dans le parcours de « science des données & IA » en dernière année.
L’établissement est aussi impliqué dans des formations de master telles que le master de science des données (data science), co-accrédité par l’Université de Lille et l’IMT Nord Europe. Les enseignements y sont dispensés intégralement en anglais. La personne recrutée devra s’impliquer dans ce master pour les disciplines relevant de ses compétences. Rappelons que ce master bénéficie du soutien du graduate programme « Information & Knowledge Society » (animation scientifique, bourses d’études et de mobilité,…)

Profil de recherche
La personne recrutée développera ses recherches en lien avec le traitement statistique du signal et des images et/ou de l’apprentissage statistique (machine learning) autour de thèmes tels que : méthodes d’inférence en grande dimension, problèmes inverses, modèles génératifs, approches bayésiennes, méthodes de Monte Carlo, optimisation…
Elle participera aux projets de l’équipe, aussi bien sur les aspects méthodologiques qu’en lien avec les applications. On citera par exemple, sans caractère limitant, les applications en astronomie et en astrophysique, en télédétection, en sécurité de l’information multimédia, en imagerie polarimétrique…
Remarque : Le poste sur lequel vous candidatez est susceptible d’être situé dans une “zone à régime restrictif” au sens de l’article R.413-5-1 du code pénal. Si tel est le cas, votre nomination et/ou votre affectation ne pourront intervenir qu’après autorisation d’accès délivrée par le chef d’établissement, conformément aux dispositions de l’article 20-4 du décret n°84- 431 du 6 juin 1984.
Profil commun
Compte-tenu du contexte de l’établissement, la personne recrutée devra par ailleurs démontrer une aptitude au travail en équipes interdisciplinaires indispensable aux formations d’ingénieurs dispensées par Centrale Lille et une appétence prononcée pour les pédagogies actives et les activités de formation fondées sur une activité de projet. Il est attendu qu’elle ait un investissement équilibré dans des missions et responsabilités en enseignement et en recherche.

Mots-clefs
Science des données et apprentissage statistique, traitement du signal, intelligence artificielle, reconstruction, restauration, analyse.

Formation et compétences requises :
Thèse de doctorat en traitement du signal et des images, apprentissage statistique, mathématiques appliquées, informatique, en lien avec la science des données. Qualification en section 61, 27 ou 26.

Adresse d’emploi :

Contacts
– Recherche : Patrick BAS (patrick.bas@cnrs.fr),
– Formation : Pierre CHAINAIS (pierre.chainais@centralelille.fr)

Document attaché : 202303070903_FOPC_0597139P_30.pdf

Workshop on AI for Ocean, Atmosphere and Climate Dynamics 11-13 Apr 2023 Brest (France)

Date : 2023-04-11 => 2023-04-13
Lieu : Hybrid event: in-person attendees in Brest and remote participants

This workshop is organized in the framework of the GDRs “Défis théoriques pour le Climat” and LEFE/MANU program aims to review and discuss advances and challenges in AI/learning-based frameworks for Ocean-Atmosphere-Climate Science. Broadly speaking, the availability of large amounts of simulation and observation data and the emergence of artificial intelligence technologies (big data architectures, GPUs, prolific learning) open up new opportunities to explore open questions in ocean, atmospheric and climate sciences through a data-centric paradigm, rather than a “classical” physical paradigm, one of the central scientific challenges being precisely the ability to unify these two paradigms. The workshop will gather experts in applied math, AI and geoscience to explore, review, discuss and advance these challenges.

The program will combine oral sessions and poster sessions in the afternoon and working groups sessions in the morning. Participants have the opportunity to present their research work as well as to propose themes of interest for working group sessions. We envision workings groups with emphasis on specific processes and/or earth system components as well as working groups with method-oriented interests.

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

CIFRE – Cybersecurity with Machine Learning for industrial networks

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : ICube laboratory – Technology & Strategy
Durée : 3 ans
Contact : Lafabregue@unistra.fr
Date limite de publication : 2023-11-30

Contexte :
Industry 4.0 is the novel industrial revolution, where objects are connected to a global network infrastructure. Fieldbus (e.g., CAN, modbus, TSN) interconnect the different devices to controllers. These objects are constrained in memory and computational capacity and may endanger the network infrastructure if they are corrupted. They may even jeopardize the safety of industrial applications.
Thus, cybersecurity for the Industrial Internet of Things is a major concern, while most of the technologies in this area have not been designed with this problem in mind. For instance, CAN communications are neither ciphered, nor authenticated.
We need to deploy Intrusion Detection Systems able to detect anomalies, i.e., when the infrastructure doesn’t behave as expected. It may come from e.g., a human misconfiguration, an attack.

Sujet :
Penetration testing already exploits Machine Learning techniques to detect and identify attacks. Indeed, signature-based solutions are not sufficient since they may disguise themselves into a legal traffic flow but inserting noise.
We want to go there further, to identify anomalies that may be e.g., attacks, misconfigurations, faults. Industrial networks are known to be predictable and we must identify outliers. Some work exists that consider the spatial and temporal correlations but they are application specific, i.e., they need to manipulate directly data chunks. Approaches exist that exploit a RNN to identify anomalies but we are convinced that industrial networks are predictable, and techniques that exploit this predictability should be more accurate. The network controller that has a complete knowledge of the network topology may efficiently detect intrusions.
The objective of this PhD thesis is to first propose techniques to identify automatically patterns when exploiting the list of packets transmitted in the network infrastructure. Indeed, a networked control application relies on a control loop (sensor to controller to actuator) to control the Cyber Physical System (CPS). It is important to characterize each of these control loops (period, source / destination, correlations, etc.). The PhD student will both exploit existing datasets as well as the networked control system testbed deployed at Technology & Strategy.
Then, we will derive Network Intrusion Detection Systems (IDS) to identify anomalies for each of these control loops, extending what has been done for home networks, or generic IP networks. We need to propose techniques to define what corresponds to a normal state, and what corresponds to an outlier / anomaly. The proposition must be sufficiently robust to detect sophisticated attacks such as the Schedule-Based Attacks.

Profil du candidat :
Master in computer science or similar fields, with an affinity for Machine Learning.

Formation et compétences requises :
Applicants should have solid skills in:
• Excellent knowledge of Machine Learning techniques (not only as a user);
• Excellent data science language skills (R, or Python);
• Background knowledge to implement measurements in a real production line;
• Excellent communication and writing skills. Note that knowledge of French is not required for this position.
Knowledge of the following technologies is not mandatory but will be considered as a plus:
• Knowledges in industrial networking protocols and stacks;
• Knowledges of embedded software

Adresse d’emploi :
The PhD student will be co-hosted by Technology & Strategy and the University of Strasbourg, both located in Strasbourg, France.
Technology & Strategy was created in 2008 in Strasbourg. Specialized in Engineering, IT, Digital and Project Management, Technology & Strategy is a reference partner for its customers in the development of innovative projects. Technology & Strategy also has an integrated engineering service to meet the requirements of its customers who are primarily R&D departments of industrial companies.
With a strong international focus and a Franco-German DNA, Technology & Strategy is proud of its 1,800 employees and is present with more than 40 nationalities in 16 offices in 6 countries (France, Germany, Switzerland, Belgium, UK, South East Asia). Technology & Strategy is proud to keep its headquarters in the East of France, near Strasbourg.

Founded in the 16th century, the University of Strasbourg has a long history of excellence in higher education, rooted in Renaissance humanism. The University of Strasbourg is a public research university located in Strasbourg, with over 52,000 students. You will integrate the ICube laboratory attached to the University.

Applications should be submitted by email to tands-cifre@icube.unistra.fr.
They must include:
• A Curriculum Vitae;
• List of 2 or 3 references to contact (position, email address);
• Transcripts of undergraduate and graduate studies;
• Link to MSc thesis, and publications if applicable;
• Link to personal software repositories (e.g. GitHub)
Please prefix the filenames of your application with your lastname.

Document attaché : 202303061259_202207070957_Fichier_TS-cybersec-iiot.pdf

Journées de travail DOING [Appel à présentations]

Annonce en lien avec l’Action/le Réseau : DOING

Thème :

Problèmes au carrefour du traitement du langage naturel, de l’intelligence artificielle et des bases de donnée

Présentation :

L’action DOING (https://www.madics.fr/ateliers/doing/) organise deux journées de travail en 2023 pour rassembler une communauté scientifique multidisciplinaire et promouvoir l’échange et le débat scientifique sur les défis concernant le traitement du langage naturel, l’intelligence artificielle et les bases de données avec des perspectives diverses et complémentaires sur les approches et solutions existantes.

L’action DOING invite les chercheurs à participer à ces journées de travail en 2023 et à proposer des présentations longues et courtes sur des travaux en cours et consolidés traitant de problèmes au carrefour du traitement du langage naturel, de l’intelligence artificielle et des bases de données. Si vous souhaitez présenter vos travaux, nous vous demandons d’envoyer un titre et un résumé avec votre nom et votre affiliation en précisant si vous souhaitez proposer une présentation longue (30 minutes) ou courte (15 minutes) au plus tard le 25 mars 2023 à doing.madics@gmail.com.

L’événement est gratuit, mais pour préparer les activités et la logistique, nous vous demandons de bien vouloir vous inscrire avant le 30 mars 2023, au lien suivant :

https://evento.renater.fr/survey/journees-de-travail-…-bd5ruiev

Du : 2023-04-13

Au : 2023-04-14

Lieu : Orléans

Site Web : https://www.univ-orleans.fr/lifo/evenements/doing/

Sciences des données pour l’ingénierie et les systèmes industriels

Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : Université Clermont Auvergne
Durée : CDI
Contact : leriche@emse.fr
Date limite de publication : 2023-06-03

Contexte :
Poste de MdC entre SIGMA (Ecole d’Ingénieurs au sein de l’Université Clermont Auvergne) et le laboratoire LIMOS (UMR CNRS).

Plus de détails: https://www.galaxie.enseignementsup-recherche.gouv.fr/ensup/ListesPostesPublies/ANTEE/2023_1/0632033T/FOPC_0632033T_43.pdf

Sujet :
Enseignement : apprentissage automatique et la quantification d’incertitudes à partir de données collectées, avec développement des aspects théoriques et pratiques des différentes techniques et applications à l’ingénierie.

Recherche : machine learning pour les systèmes physiques, quantification
d’incertitudes, méta-modélisation et optimisation.

cf. poste MdC no. 43 sur le site Galaxie, https://www.galaxie.enseignementsup-recherche.gouv.fr/ensup/ListesPostesPublies/ANTEE/2023_1/0632033T/FOPC_0632033T_43.pdf

Profil du candidat :
Docteur.e avec qualification Maître de Conférences dans la section 26 ou 27 ou 60 ou 61.

Formation et compétences requises :
Compétence dans un ou plusieurs des domaines suivants : Statistique, optimisation, apprentissage automatique, réseaux de neurones profonds, apprentissage par renforcement profond, quantification d’incertitudes, applications industrielles

Adresse d’emploi :
Université Clermont Auvergne, site des Cézeaux, Aubières.

Document attaché : 202303031036_mcf_clermont_sigma_limos_ml_2023.pdf

Postdoctorat : Extraction d’information : résolution de coréférences et extraction de relations temporelles

Offre en lien avec l’Action/le Réseau : DOING/– — –

Laboratoire/Entreprise : LLL-CNRS
Durée : 12 mois
Contact : anne-lyse.minard@univ-orleans.fr
Date limite de publication : 2023-03-31

Contexte :
Le projet régional DOING vise à développer des méthodes et des outils pour, dans un premier temps, extraire des informations de données textuelles en les structurant dans une base de données graphe, puis pour manipuler de façon intelligente ce graphe de connaissance. Le domaine d’application choisi est le domaine de la santé, avec en premier lieu l’utilisation de données disponibles librement (tels que des cas cliniques). DOING vise à concevoir une nouvelle forme de requêtes déclaratives, pouvant intégrer des analyses, qui guideront les spécialistes du domaine de la santé dans leur prise de décision. DOING est conçu sur une réelle collaboration interdisciplinaire (Traitement Automatique des Langues, Bases de Données et Intelligence Artificielle) pour transformer des données en information puis en connaissance.

DOING (https://www.univ-orleans.fr/lifo/evenements/doing/) est basé sur une collaboration inter-disciplinaire pour transformer des données en information puis en connaissance.
Ce projet s’inscrit dans le cadre de l’action DOING@MADICS et du groupe de travail DOING@DIAMS.

Sujet :
Le travail de recherche concerne la tâche 1 du projet DOING, et se concentrera principalement sur le 2ème volet concernant l’extraction des relations.

(1) Détection et catégorisation des entités d’intérêt (e.g, pathologie, traitement). Un premier travail a été effectué pour développer un système à base de CRF (Minard et al., 2020) dans le cadre de notre participation à la campagne d’évaluation DEFT 2020. Une tâche consistera à améliorer ce système, éventuellement en utilisant d’autres corpus de cas cliniques : corpus de DEFT 2019, 2020 annotés avec des entités cliniques ; corpus E3C en cours d’annotation (Magnini et al., 2020).
(2) Détection et catégorisation des relations entre les entités. L’extraction des relations permet de faire émerger un sens qui sera représenté dans graphe de données que nous cherchons à construire. Nous nous focaliserons sur deux types de relations essentielles :
(2.1) Les relations de coréférences : elles existent entre deux unités linguistiques faisant référence à une même entité du discours (par exemple “Alice ressent des frissons. Ce symptôme est lié à sa fièvre.”). Les techniques actuelles reposent sur des modèles neuronaux classiques, génériques, entraînés des corpus du domaine général, et souffrent d’une importante dégradation de performance lorsqu’ils sont appliqués à un autre domaine (Zhang et al., 2020). Tout en considérant la spécificité de la coréférence en langue de spécialité médicale, nous chercherons à développer des modèles relativement génériques, plus robustes en termes de performance inter-domaine et explicables. Pour lever ce dernier verrou, nous utiliserons des techniques d’apprentissage statistique interprétable (arbres de décision, forêts d’arbres aléatoires) proposées par notre groupe TAL (Desoyer et al., 2014). En parallèle, nous pourrons adapter le système neuronal proposé par le laboratoire LATTICE dont le concepteur est associé au LIFO (Grobol, 2020).
(2.2) Les relations temporelles : elles permettent d’ordonner les événements concernant un patient (l’apparition des symptômes, les traitements suivis, etc.). Nous travaillerons au développement d’un système d’extraction d’informations temporelles et testerons des méthodes permettant de pallier la faible quantité de données dans le domaine médical. Nous poursuivrons également les travaux entamés dans les projets Temporal et ODIL par notre groupe TAL (Lefeuvre-Halftermeyer et al., 2016), en évaluant la généricité du schéma proposé et en étudiant l’ajout possible de la notion de containers (Pustejovsky and Stubbs, 2011).
(3) Interaction entre l’extraction des informations, la construction et l’exploitation des bases de données graphe. Une méthode viserait à considérer comment l’extraction des relations peut bénéficier des approches utilisées sur les bases de données graphe (page rank, betweenness, etc). Les observations issues de T3 viendraient compléter et s’intégrer aux résultats de T1 pour l’instanciation de la base.

BIBLIOGRAPHIE
Grobol L., Coreference resolution for spoken French. Thèse Univ. Paris Sorbonne Nouvelle, 2020.
Lefeuvre-Halftermeyer A., Antoine J-Y., Couillault A., Schang E., Abouda L., Savary A., Maurel D., Eshkol I. and Battistelli D. Covering various Needs in Temporal Annotation: a Proposal of Extension of ISO TimeML that Preserves Upward Compatibility. In Proceedings of the 10th Int. Conf. on Language Resources and Evaluation (LREC), 2016.
Magnini B., Altuna B., Lavelli A., Speranza M., Zanoli R. The E3C Project:Collection and Annotation of a Multilingual Corpus of Clinical Cases. In Proceedings of CLiC-it 2020.
Minard A-L., Roques A., Hiot N., Halfeld-Ferrari M., Savary A. DOING@DEFT : cascade de CRF pour l’annotation d’entités cliniques imbriquées. Actes 27° conférence TALN, Nancy, France, 2020.
[16] Pustejovsky J. and Stubbs A. Increasing Informativeness in Temporal Annotation. In Proceedings of the 5th Linguistic Annotation Workshop. Ass. for Computational Linguistics, Stroudsburg, PA, USA, LAW V ’2011.
Zhang H., Zhao X., Song Y. A Brief Survey and Comparative Study of Recent Development of Pronoun Coreference Resolution – preprint arXiv:2009.12721, 2020.
Desoyer A., Landragin F., Tellier I., Lefeuvre A., Antoine J.-Y. Les coréférences à l’oral : une expérience d’apprentissage automatique sur le corpus ANCOR, Traitement Automatique des Langues, TAL, vol. 55 (2), 2014.

Profil du candidat :
Le candidat doit :
– posséder un doctorat en informatique ou en linguistique avec une spécialisation en TAL
– avoir des connaissances préalables en apprentissage automatique
– une expérience passée sur les thématiques suivantes sera appréciée : résolution de coréférences, extraction de relations temporelles, extraction d’information en domaine de spécialité

Le travail de recherche est mené au Laboratoire Ligérien de Linguistique (LLL) à Orléans. La personne recrutée devra être présente physiquement (il n’est pas possible de travailler à distance).

Formation et compétences requises :
Doctorat en informatique ou en linguistique avec une spécialisation en TAL.

Adresse d’emploi :
LLL, Université d’Orléans, Orléans

Document attaché : 202303021429_post-doc_tache1_DOING.pdf

Ecole de recherche causalite

Date : 2023-03-28 => 2023-03-31
Lieu : SCAI, Sorbonne UNiversité à Paris

Nous avons le plaisir de vous annoncer qu’un école de recherche autour de la causalité financée par AISSAI, le centre CNRS pour l’IA, aura lieu du 28 Mars au 31 Mars 2023 à Paris, à SCAI (Campus Jussieu Sorbonne Université). Cette école se propose de présenter les récentes avancées dans le domain de la causalité qui a vu ses problématiques évoluer rapidement ces dernières années.
Cette école comportera également une session poster

L’inscription à l’école est gratuite mais obligatoire et doit être faite avant le 24 mars 2023 au moyen du formulaire

https://docs.google.com/forms/d/e/1FAIpQLSfBGJwTltj-1yjEp8foCnK42K2MUTjDx4FOMtUZI1TyRSrsPw/viewform

aussi disponible sur le site web : https://quarter-on-causality.github.io/school/

Les intervenants de l’école sont

* A. Chambaz, Paris Cité Université (https://helios2.mi.parisdescartes.fr/~chambaz/index.php?choix=1)

* C.H. Miles, Columbia University (https://calebhmiles.github.io/)

* L. Valeri, Columbia University (https://www.lindavaleri.com/)

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.