BEGIN:VCALENDAR VERSION:2.0 PRODID:-//Normastic - ECPv6.17.4//NONSGML v1.0//EN CALSCALE:GREGORIAN METHOD:PUBLISH X-WR-CALNAME:Normastic X-ORIGINAL-URL:https://www.normastic.fr X-WR-CALDESC:Évènements pour Normastic REFRESH-INTERVAL;VALUE=DURATION:PT1H X-Robots-Tag:noindex X-PUBLISHED-TTL:PT1H BEGIN:VTIMEZONE TZID:Europe/Paris BEGIN:DAYLIGHT TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST DTSTART:20240331T010000 END:DAYLIGHT BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET DTSTART:20241027T010000 END:STANDARD BEGIN:DAYLIGHT TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST DTSTART:20250330T010000 END:DAYLIGHT BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET DTSTART:20251026T010000 END:STANDARD BEGIN:DAYLIGHT TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST DTSTART:20260329T010000 END:DAYLIGHT BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET DTSTART:20261025T010000 END:STANDARD END:VTIMEZONE BEGIN:VTIMEZONE TZID:Europe/Paris BEGIN:DAYLIGHT TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST DTSTART:20240331T010000 END:DAYLIGHT BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET DTSTART:20241027T010000 END:STANDARD BEGIN:DAYLIGHT TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST DTSTART:20250330T010000 END:DAYLIGHT BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET DTSTART:20251026T010000 END:STANDARD BEGIN:DAYLIGHT TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST DTSTART:20260329T010000 END:DAYLIGHT BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET DTSTART:20261025T010000 END:STANDARD END:VTIMEZONE BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20250618T080000 DTEND;TZID=Europe/Paris:20250620T170000 DTSTAMP:20250708T114636Z CREATED:20250708T114636Z LAST-MODIFIED:20250708T114636Z UID:17565-1750233600-1750438800@www.normastic.fr SUMMARY:Rencontre Mathématiques de Rouen (RMR) (18-20/06/2025) DESCRIPTION:https://rmr2025.sciencesconf.org/ URL:https://www.normastic.fr/event/rencontre-mathematiques-de-rouen-rmr-18-20-06-2025/ LOCATION:Site du Madrillet\, 685 Avenue de l’Université\, Saint Etienne du Rouvray\, 76801 END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20250624T120000 DTEND;TZID=Europe/Paris:20250624T163000 DTSTAMP:20250708T094040Z CREATED:20250407T185538Z LAST-MODIFIED:20250708T094040Z UID:17316-1750766400-1750782600@www.normastic.fr SUMMARY:Regards croisés sur les graphes (24/06/2025) DESCRIPTION:Organisateurs : Action Transverse Graphes (L. Brun\, G. Del Mondo) \nProgramme : \n* 12h Déjeuner: Salle d’examen ENSICAEN (Bât C\, derrière le Bât A.). \n* 14h Les entités chimiques\, l’information spatiale : des graphes pas si différents (Bertrand Cuissart (GREYC)\, Géraldine Del Mondo (LITIS))\n \n\nLa présentation explore les liens entre les approches « Apprentissage sur graphe » et « Graphes et information sémantique»\, en mettant en lumière leurs convergences et complémentarités. À partir des travaux menés sur la modélisation et l’analyse des structures moléculaires en chimie\, nous illustrons comment ces approches partagent des caractéristiques fondamentales\, notamment en termes de représentation sémantique et de spatialisation des données. \nNous abordons également les défis majeurs liés au traitement de ces graphes\, en particulier la problématique de la correspondance entre graphes : l’isomorphisme de graphe\, l’isomorphisme de sous-graphes ou le plus grand sous-graphe commun. Ces opérations sont essentielles à de nombreuses applications\, allant de la reconnaissance de motifs structuraux à la réalisation des algorithmes d’apprentissage sur graphes. \nEnfin\, nous ouvrirons la discussion vers l’analyse de réseaux dynamiques\, en montrant comment ces concepts peuvent être étendus à des systèmes évolutifs\, tels que les réseaux évolutifs générés par les interactions protéines-réactifs. \n\n* 14h30 Choisir les bons nœuds : GNN et théorie des graphes en dialogue (Benoît Gaüzère (LITIS)\, Paul Dorbec (GREYC)) \nApprendre à partir de graphes\, c’est toujours le même défi : comment résumer toute la richesse d’une structure complexe dans un seul vecteur\, capable d’alimenter une décision automatique ? Ce vecteur global\, que l’on cherche à rendre robuste aux permutations et au nombre variable de nœuds\, doit capturer à la fois l’information topologique et les attributs portés par les nœuds et les arêtes. Trop souvent\, cette étape de résumée est brutale : on agrège tous les nœuds en une seule étape\, au risque de diluer ou perdre des informations essentielles. \nUne autre voie consiste à structurer cette agrégation\, en construisant progressivement des représentations plus hiérarchisées\, plus respectueuses de la forme du graphe. Mais comment choisir les bons nœuds à chaque étape ? C’est ici que la théorie des graphes peut offrir des outils précieux. Les notions d’ensembles indépendants maximaux (MIS) ou de domination permettent\, par exemple\, d’identifier des nœuds centraux\, structurants\, qui jouent un rôle-clé dans l’organisation du graphe. \nDans cette intervention à deux voix\, nous proposerons un dialogue entre apprentissage automatique et théorie des graphes. Nous explorerons comment ces notions classiques – mais puissantes – pourraient enrichir la manière dont les GNN construisent leurs représentations\, en intégrant plus finement les propriétés structurelles du graphe. Une invitation à repenser la sélection et l’agrégation dans les architectures neuronales\, à la lumière des outils algorithmiques issus de la combinatoire. \n* 15h Pause café \n* 15h15 Graphes dynamiques pour le sport collectif (Sébastien Adam (LITIS)\, François Rioult (GREYC)) \nLe sport collectif constitue un cadre d’observation stimulant pour l’étude des dynamiques d’interaction entre agents en mouvement. \nDans cette intervention\, nous explorons la pertinence d’une approche fondée sur le traitement de signal sur graphe\, appliqué à des graphes dynamiques construits à partir de données spatio-temporelles de suivi de joueurs. \nCette exploration repose sur l’association du traitement de signal sur graphe avec des réseaux récurrents\, permettant d’exploiter la dimension temporelle des graphes dynamiques. Le traitement spectral ou convolutionnel des graphes fournit des représentations structurées pour l’apprentissage d’un espace latent. Des régularités ou structures émergentes peuvent y être recherchées\, en mobilisant des techniques plus symboliques ou énumératives\, orientées vers l’interprétation et l’analyse de motifs. \nNous discuterons des pistes théoriques et méthodologiques qu’offre cette combinaison\, en vue de développer une compréhension plus fine et interprétable des dynamiques du sport collectif. \n* 15h45 Applications des GNNs en santé : représentation\, classification et explicabilité (Alexis Imbert (LITIS) et Mariana Brito Azevedo (GREYC)) \nL’utilisation de graphes et de modèles GNNs est devenue de plus en plus populaire dans divers domaines de la santé\, y compris des applications dans l’industrie pharmaceutique et les neurosciences. Grâce à ces technologies\, il est possible de développer des GNNs capables de classer l’activité des molécules chimiques\, dans le but d’améliorer la recherche de nouveaux médicaments ou de mieux comprendre certaines maladies en étudiant l’anatomie du cerveau humain. Cependant\, des questions fondamentales demeurent : \n\nComment les graphes permettent-ils de représenter des données aussi diverses ?\nComment les modèles de GNNs apprennent-ils de ces représentations ?\nComment expliquer les résultats des modèles et en quoi c’est important ?\n\nPour répondre à ces questions\, nous présenterons deux cas d’applications de modélisations de graphes dans le domaine de la santé. Nous expliquerons également comment il est possible de donner plus de sens au résultats obtenu par le modèle pour accroître la confiance de l’utilisateur final. \nFin de la journée vers 16h30 URL:https://www.normastic.fr/event/regards-croises-sur-les-graphes/ LOCATION:Grand Amphi\, ENSICAEN\, Campus 2\, Caen\, ENSICAEN Campus 2\, Caen\, 14000\, France CATEGORIES:Axe Transverse Graphes END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20250625T080000 DTEND;TZID=Europe/Paris:20250627T170000 DTSTAMP:20250708T130926Z CREATED:20250708T095100Z LAST-MODIFIED:20250708T130926Z UID:17509-1750838400-1751043600@www.normastic.fr SUMMARY:Conférence Graph-Based Representation in Pattern Recognition (25-27/06/2025) DESCRIPTION:https://gbr2025.sciencesconf.org/ URL:https://www.normastic.fr/event/conference-graph-based-representation-in-pattern-recognition/ LOCATION:ENSICAEN\, Bât. A\, 6 Boulevard du Maréchal Juin\, Caen\, 14050\, France CATEGORIES:Axe Transverse Graphes END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20250626T093000 DTEND;TZID=Europe/Paris:20250626T170000 DTSTAMP:20250827T165554Z CREATED:20250526T062701Z LAST-MODIFIED:20250827T165554Z UID:17339-1750930200-1750957200@www.normastic.fr SUMMARY:Journée de l'axe DAC sur la causalité et la quantification d'incertitude (26/06/2025) DESCRIPTION:L’axe « Données\, Apprentissage\, Connaissances » de la fédération Normastic organise le jeudi 26 juin 2025 une journée sur la causalité et la quantification d’incertitudes. Elle est notamment ouverte à tous les membres du GREYC et du LITIS (collègues\, doctorants\, post-doctorants\, master…). \nCette journée aura lieu à l’université de Caen Normandie sur le site du campus 2\, UFR des Sciences\, bâtiment Sciences 3\, salle S3-351. \nProgramme : \n9h15 : accueil café \n9h30: Alessandro Leite : introduction à la journée (slides) \n9h45 : tutoriel de Vincent Blot (Capgemini\, CNRS\, LISN\, Université Paris-Saclay) et Valentin Laurent  (Quantmetry – Part of Capgemini Invent\, Paris) : MAPIE – Model Agnostic Prediction Interval Estimator Lien notebook. \n11h : pause \n11h15 : tutoriel de Nicolas Voisine (Orange Labs) : Khiops Uplift – A Library for Causal Inference (slides) \nAbstract: Khiops is an open source machine learning tool designed for mining large multi-table databases. Khiops is based on a unique Bayesian approach that has attracted academic interest with more than 20 publications on topics such as variable selection\, classification\, decision trees\, co-clustering and upLift Modeling. It provides a predictive measure of variable importance using discretisation models for numerical data and value clustering for categorical data. The proposed classification/regression model is a naive Bayesian classifier incorporating variable selection and weight learning. In the case of multi-table databases\, it provides propositionalisation by automatically constructing aggregates. Khiops is adapted to the analysis of large databases with millions of individuals\, tens of thousands of variables and hundreds of millions of records in secondary tables. It is available on many environments\, both from a Python library and via a user interface. \n12h30: déjeuner \n13h45 : Shuyu Dong (L2S\, CentraleSupélec\, CNRS\, Université Paris-Saclay) : « Large-scale causal structure learning: challenges and new methods« . Slides. \nAbstract: Learning causal structures from observational data is a fundamental yet challenging problem. In this talk I will first present a few different causal structure learning methods running on a single machine. Then I will present our distributed approach named DCILP\, which is a new divide-and-conquer-based method. The divide phase proceeds by identifying the Markov blanket MB(X_i) of each variable\, and solving the subproblems restricted to each MB in parallel. The novelty of DCILP lies in the conquer phase\, which tackles the problem of aggregating the local causal graphs from the divide phase. We show that this aggregation task can be formulated as an integer linear programming (ILP) problem which is delegated to an ILP solver\, and that the resulting algorithm demonstrates significant improvements in scalability with satisfactory learning accuracy. \n14h15 : Louis Hernandez (LITIS\, INSA Rouen\, Craft AI) : « Causal Inference and Large Language Models: opportunities\, methods\, and challenges« . \nAbstract: Large language models (LLMs) are increasingly used in scientific discovery\, decision support\, and knowledge extraction. At the same time\, causal inference provides principled tools for reasoning about the results of actions and counterfactual questions. This talk will explore the emerging intersection between causal inference and large language models. Through recent examples and ongoing research\, it will highlight both the promises and limitations of combining LLMs with causal inference and outline open questions for future work in this rapidly evolving field. \n14h45 : Giorgio Morales (GREYC\, Université de Caen Normandie) : « Managing Uncertainty in Regression Neural Networks: From Prediction Intervals to Adaptive Sampling« . \nAbstract: Understanding and managing uncertainty is a critical aspect of deploying regression neural network models in real-world scientific and engineering applications. This presentation introduces two novel contributions aimed at improving uncertainty quantification and guiding data acquisition under uncertainty. The first is DualAQD\, a dual-network architecture for generating high-quality prediction intervals (PIs). DualAQD integrates a custom loss function that minimizes interval width while ensuring coverage constraints\, striking a balance between tightness and reliability of uncertainty estimates. It consistently outperforms existing PI-generation techniques in both interval efficiency and prediction accuracy across diverse datasets.\nBuilding on DualAQD’s uncertainty modeling\, we present ASPINN\, an adaptive sampling strategy designed for data-scarce environments where measurement collection is costly or constrained. ASPINN addresses this by focusing on epistemic uncertainty reduction in regression problems\, using NN-generated PIs to guide adaptive data acquisition to strategically select new data points that most reduce model uncertainty. By incorporating a Gaussian Process surrogate to support batch sampling\, ASPINN balances informativeness and diversity in acquisition decisions. Empirical evaluations show that ASPINN achieves faster convergence and greater uncertainty reduction compared to leading alternatives. Together\, these methods offer a robust framework for uncertainty-aware learning in regression tasks. \n15h15 : Su Ruan (AIMS\, Université de Rouen Normandie) :  « Uncertainty Quantification in Deep Evidential Fusion for Medical Imaging Applications« . \nAbstract : In medical imaging\, integrating information from multiple sources\, such as different imaging modalities\, is essential for achieving accurate diagnoses and robust clinical decisions. This presentation addresses the challenge of uncertainty quantification in deep learning-based fusion methods. We introduce a framework called Deep Evidential Fusion\, which typically operates at the late fusion stage. It produces not only improved fused predictions but also reliable uncertainty estimates\, without relying on computationally intensive techniques like Monte Carlo dropout. We will demonstrate the effectiveness of this approach across various medical imaging tasks\, showing enhanced predictive performance and better-calibrated uncertainty compared to conventional fusion strategies. \n15h45 : pause \n16h : Echanges sur la causalité et la quantification d’incertitude. \nFin vers 16h30 \nInscription (nécessaire pour l’organisation) : https://framaforms.org/registration-1748241556 \nComme pour toute journée d’animation de la fédération\, les frais de déplacement\, repas et pauses café des membres du GREYC et du LITIS sont pris en charge par la fédération. \n  URL:https://www.normastic.fr/event/journee-de-laxe-dac-sur-la-causalite-et-la-quantification-dincertiture/ LOCATION:Université de Caen\, Campus 2\, 6 Boulevard du Maréchal Juin\, Caen\, 14000\, France CATEGORIES:Données, Apprentissage, Connaissances END:VEVENT END:VCALENDAR