Modeles Graphiques et Applications – MGA

CONTEXTE SCIENTIFIQUE ET OBJECTIFS Les modèles graphiques probabilistes constituent un cadre puissant et flexible pour exprimer des dépendances statistiques pour les données complexes multivariées. Ils permettent de construire des modèles globaux de phénomènes complexes à partir de modèles locaux simples. A travers son développement rapide depuis les années 1990, la recherche sur les modèles graphiques a toujours été conduite très proche de ses domaines d'application, fournissant de nouveaux outils, théories et algorithmes aux chercheurs de différents domaines, comme le traitement du signal, le traitement du texte, le traitement de l'image et la bioinformatique. Les modèles graphiques représentent maintenant un langage commun à tous ces domaines, permettant à un domaine de profiter rapidement des avancées algorithmiques d'un autre domaine et d'identifier clairement les verrous méthodologiques communs. Les objectifs de ce projet sont de faire avancer l'état de l'art méthodologique de la recherche en modélisation probabiliste, tout en appliquant ces avancées à différents domaines d'application. La composition de l'équipe du projet tient compte de ce double objectif : une forte composante méthodologique, ainsi que des experts dans chacun des domaines qui motivent et bénéficient immédiatement des avancées théoriques et algorithmiques. DESCRIPTION DU PROJET Etant donné un modèle probabiliste, les deux problèmes méthodologiques majeurs sont l'inférence au sein de ce modèle et l'apprentissage des paramètres et/ou de la structure du modèle. Les efforts de recherche récents ont mis l'accent avec succès sur ces deux problèmes, mais surtout dans des conditions spécifiques (structure de graphe connue, graphes pour lesquels l'inférence est traitable, ou distributions locales paramétriques). Cependant, la majeure difficulté d'application des modèles graphiques aux problèmes réels est que ces hypothèses sont le plus souvent non satisfaites ; le but de ce projet est fournir des solutions dans ces situations (en particulier pour les graphes fortement connectés et les données hétérogènes). Dans tous les domaines d'application représentés dans le projet, plusieurs problèmes cruciaux ont déjà été identifiés et formalisés en termes de modèles graphiques et les difficultés mentionnées ci-dessus déjà identifiées comme verrous. Le projet est naturellement divisé en plusieurs lots, un lot méthodologique et un lot par domaine d'application : -Lot méthodologique: les avancées récentes ont porté sur des instances particulières de modèles graphiques : citons en particulier les méthodes de simulation, les méthodes variationnelles et les méthodes basées sur des coupes de graphes. Ces avancées ont souvent traité des sous-problèmes, ont toutes des avantages et des inconvénients, et ont été en majeure partie développées séparément. L'objectif méthodologique est de s'appuyer sur ces idées pour développer de nouveaux cadres théoriques et algorithmiques pour circonvenir les difficultés rencontrées par les modèles graphiques. En particulier, un accent sera mis sur les méthodes d'apprentissage discriminant pour ces modèles. -Lots applicatifs : application et valorisation des avancées méthodologiques aux domaines suivants : vision artificielle (segmentation, recherche d'images par le contenu, identification de catégories d'objets), bioinformatique (modélisation de réseaux de gènes et prédiction fonctionnelle par phylogénie), traitement du texte (annotation sémantique et grammaticale de documents). RESULTATS ATTENDUS Une des originalités du projet est d'assurer des échanges constants entre les recherches méthodologiques et appliquées, garantissant que les algorithmes développés ont un impact applicatif immédiat. Nous attendons les avancées suivantes : - Méthodologie : avancées sur les verrous identifiés des modèles graphiques. - Applications : les problèmes-cibles que nous avons sélectionnés dans chacun des domaines sont des problèmes ouverts et le proje