News

Journée NormaSTIC

Journée NormaSTIC

La fédération NormaSTIC est heureuse d’organiser le mercredi l0 novembre sa journée 2021 et de vous retrouver en présentiel à l’IUT de Lisieux à cette occasion. Lisieux est approximativement située à la croisée de Caen, Le Havre et Rouen.

Un des objectifs de cette journée est de lancer le quinquennat 2022-2026 de la fédération. Aussi le programme de cette journée inclura une présentation des projets des laboratoires (les volets scientifiques) et celui de la fédération ainsi que des exposés scientifiques.

Programme (en cours de construction)

  • 9H : Accueil café
  • 9H30 : Nicolas Trotignon (LIP- ENS Lyon) : « Graphes : structures et algorithmes ». Présentation.
    Résumé : L’exposé présentera les résultats les plus importants de la théorie structurelle des graphes et leurs applications algorithmiques les plus spectaculaires. Il y aura : un bref aperçu de la théorie des mineurs de graphes de Robertson et Seymour et de ses conséquences algorithmiques, la notion de treewidth, le théorème de dualité treewidth/grid et le problème dit du linkage (problème de trouver des chemins disjoint reliant des terminaux prescrit). Seront aussi présentés des résultats très récents sur l’extension de cette approche à des graphes non closes par mineurs.
  • 10H30 : pause café
  • 11H : activités et projets scientifiques du GREYC et du LITIS
  • 12H30 : déjeuner
  • 14H : Rémi Flamary (CMAP – Ecole Polytechnique) : Optimal transport on graph data : barycenters and dictionary learning
    • Lien vers la présentation
    • Lien Github
    • Résumé : In recent years the Optimal Transport (OT) based Gromov-Wasserstein (GW) divergence has been investigated as a similarity measure between structured data expressed as distributions typically lying in different metric spaces, such as graphs with arbitrary sizes. In this talk, we will address the optimization problem inherent in the computation of GW and some of its recent extensions, namely the Entropic and the Fused GW divergences. Next we will illustrate how these OT problems can be used to model graph data in learning scenarios such as graph compression, clustering and classification. Finally we will present a novel approach performing linear dictionary learning on graphs datasets using GW as data fitting term which simultaneously provides convenient graphs modeling for the aforementioned applications and efficient approximations to the GW divergence

Fin vers 16h45

 

Comments are closed, but trackbacks and pingbacks are open.