BEGIN:VCALENDAR
CALSCALE:GREGORIAN
VERSION:2.0
X-WR-TIMEZONE:Europe/Paris
METHOD:PUBLISH
PRODID:-//LIP6//www.lip6.fr//FR
X-WR-CALNAME;VALUE=TEXT:Séminaire LIP6
X-LIC-LOCATION:Europe/Paris
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
RRULE:FREQ=YEARLY;BYMONTH=3;BYDAY=-1SU
DTSTART:19810329T020000
TZNAME:GMT+02:00
TZOFFSETTO:+0200
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
RRULE:FREQ=YEARLY;BYMONTH=10;BYDAY=-1SU
DTSTART:19961027T030000
TZNAME:GMT+01:00
TZOFFSETTO:+0100
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
SUMMARY:Thèse Yuhe BAI : Apprentissage de graphes à grande échelle
  structurel, sémantique et enrichi en contexte
ORGANIZER;CN=Yuhe BAI:MAILTO:Yuhe.Bai@lip6.fr
DESCRIPTION:Cette thèse étudie l’apprentissage sur graphes à gra
 nde échelle à partir de l’idée que la performance d’une métho
 de dépend non seulement du modèle utilisé, mais aussi de la maniè
 re dont l’information est organisée, préservée et enrichie au co
 urs de l’apprentissage.
  Les travaux portent sur trois tâches : la
  classification de nœuds sur de grands graphes homogènes, la prédi
 ction de liens sur des graphes de connaissances et le typage d’enti
 tés. Les contributions proposées concernent respectivement le parti
 tionnement structurel des graphes, le partitionnement sémantique des
  graphes de connaissances et l’enrichissement sélectif du contexte
  pour les entités disposant de peu d’informations locales.
  Les 
 résultats montrent que l’organisation des données et la construct
 ion du contexte influencent fortement la qualité et le passage à 
 l’échelle des méthodes d’apprentissage sur graphes. Plus géné
 ralement, cette thèse défend l’idée que l’apprentissage sur gr
 aphes est aussi un problème d’organisation de l’information.
DTSTAMP:20260625T122324Z
DTSTART;TZID=Europe/Paris:20260625T100000
DURATION:PT2H
URL;VALUE=URI:https://www.lip6.fr/actualite/personnes-fiche.php?ident=D2603
UID:LIP6/SEM/D2603
LOCATION:Campus Pierre et Marie Curie, salle Jacques Pitrat (25-26/10
 5)
GEO:48.847047;2.354619
END:VEVENT
END:VCALENDAR