\begin{description}
\item [Apprentissage à base de noyaux pour le traitement de données textuelles]~\\

Cet axe est nouveau dans l'équipe, et concrétise la volonté affichée depuis
plusieurs années par le laboratoire de développer des axes de recherche
inter-équipes. Nous travaillons sur ce thème en relation avec plusieurs
chercheurs de l'équipe \acs{RCLN}, en particulier dans le cadre du projet
InfoM@gic et du projet Alvis. Une thèse est en cours sur les méthodes à noyaux appliquées au
traitement de données structurées et semi-structurées.

\item [Apprentissage semi-supervisé]~\\

Dans de nombreuses applications
des techniques d'apprentissage, on dispose de grands volumes de données 
non étiquetées, mais seulement d'un petit échantillon de données
étiquetées. Les algorithmes d'apprentissage séparent traditionnellement le
traitement des données étiquetées (apprentissage {\em supervisé}) de celui
des données non étiquetées ({\em non supervisé}). L'équipe \acs{A3} travaille
depuis plusieurs années sur l'apprentissage non supervisé, en particulier via
les cartes topologiques de Kohonen, et sur les classifieurs supervisés, en
particulier les machines à vecteurs de support (SVM). Nous étudions
actuellement comment aborder le cas semi-supervisé : modèles transductifs
proposés par Vapnik, extraction de traits non supervisés, techniques de
co-apprentissage. Nous espérons déboucher sur des approches applicables à des
problèmes aussi différents que la fouille de textes ou la correction du
biais lors de l'évaluation du risque crédit (traitement des refusés par les
établissements bancaires).

\item [Réseaux Sociaux et apprentissage]~\\

L'étude des réseaux sociaux est une discipline récente. Longtemps confiné aux
mathématiciens (théorie des graphes aléatoires) et aux sociologues, ce
domaine a connu un net regain d'intérêt à la fin des années 90, lorsqu'on a
remarqué que la plupart des réseaux observés dans la nature ne se
comportaient pas comme des graphes aléatoires simples, mais partageaient un
certain nombre de propriétés fondamentales. Parmi celles-ci, citons
l'invariance de la structure par changement d'échelle, qui se traduit par une
distribution des degrés suivant une loi de puissance. L'étude de ces réseaux
a bien sûr été fortement stimulée par l'essor du Web, qui offre de nombreuses
occasions de créer des réseaux (entre pages Web, entre utilisateurs...) dont
l'analyse est fort utile (recherche d~information, animation de sites Web,
systèmes de recommandations...) mais pose des problèmes techniques mal résolus.

Dans la cadre du projet ANR RNTL Septia ({\em Solution Automatique pour le
Traitement des Interactions Clients}), nous travaillons sur l'apport des
techniques d'analyse des réseaux sociaux pour l'apprentissage, dans le
contexte de l'élaboration de systèmes de classification de messages et d'aide
à la réponse (pour la gestion de centres d'appel). Nous essayons par exemple
de comprendre comment définir la notion de communauté d'utilisateurs afin de
maximiser les performances d'un système de classification d'utilisateurs (ou
des messages émis par ces derniers). Cette problématique a des liens évidents
avec les méthodes de clustering non supervisé étudiées depuis plusieurs
années dans l'équipe \acs{A3}, et donne lieu au travail de doctorat de Mlle
N. Rogovschi.

\end{description}