Apprentissage statistique hybride (génératif/discriminatif) de modèles multi-relationnels dynamiques et Applications

Ce programme de recherche vise la programen oeuvre de methodologies，d'algorithmes et de technologies pour la modélisation statistique de données multi-relationnelles. Il s'agit de détissage statistique，basées sur des modéles de mélanges de distribution，capables de prendre en compte des dependances entre questions，correspondant à plusieurs types of relations explicites or implicites.这一方法被认为是一种多层次的分类方法，并且假定这些分类方法是独立的和可识别的。在此背景下，我们提出了新的发展途径，对混合物参数的估计是可靠和有效的，对三维问题中的特征选择，模型的自动选择和对关系的自动选择都是在今天进行的，因为新的发展途径和关系并没有介绍。我们的专家们也将这种混合模式的歧视性性别做法加以改进。Pour la validation de nos approches，nous proposons le déciliation de techniques pour l'extraction automatique d'anestheset de relations à partir de données multimodales（textes，images，vidéos）générées par les réseaux sociaux d'internet（ex. Facebook、Twitter、Flicker、MySpace等）。该项目是一个非常有前途的项目，基于数学和统计学的固体配方，并通过了Navisphere的统计知识和预测。这些应用程序sont多样化telles que l 'identification des communautés et la modélisation du contenu multimodal dans les réseaux sociaux. Les resultats de la recherche que nous proposons peuvent être appliqués pour différents autres domaines et disciplines（biologie，science sociale，medicine，etc.）.实际上，关于留置权、信息权的统计数据的修改，是科学共同体中其他有关方面的共同努力，也是我们信息社会中普遍存在的一个方面。

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.