Advanced search options

Advanced Search Options 🞨

Browse by author name (“Author name starts with…”).

Find ETDs with:

in
/  
in
/  
in
/  
in

Written in Published in Earliest date Latest date

Sorted by

Results per page:

Sorted by: relevance · author · university · dateNew search

You searched for +publisher:"Université Lille I – Sciences et Technologies" +contributor:("Denis, Pascal"). Showing records 1 – 2 of 2 total matches.

Search Limiters

Last 2 Years | English Only

No search limiters apply to these results.

▼ Search Limiters

1. Chatel, David. Semi-supervised clustering in graphs : Partitionnement semi-supervisé dans les graphes.

Degree: Docteur es, Informatique, 2017, Université Lille I – Sciences et Technologies

Le partitionnement consiste à rechercher une partition d'éléments, de sorte que les éléments d'un même cluster soient plus similaires que les éléments de différents clusters. Les données proviennent de différentes sources et prennent des formes différentes. L'un des défis consiste à concevoir un système capable de tirer parti des différentes sources de données. Certaines contraintes peuvent être connues sur les données. On peut savoir qu'un objet est d'un certain type ou que deux objets partagent le même type ou sont de types différents. On peut également savoir qu'à l'échelle globale, les différents types d'objets apparaissent avec une fréquence connue. Dans cette thèse, nous nous concentrons sur le partitionnement avec trois types de contraintes: les contraintes d'étiquettes, les contraintes de paires et les contraintes de lois de puissance. Une contrainte d'étiquette spécifie dans quel cluster appartient un objet. Les contraintes par paire spécifient que les paires d'objets doivent ou ne doivent pas partager le même cluster. Enfin, la contrainte de loi de puissance est une contrainte globale qui spécifie que la distribution des tailles de cluster est soumise à une loi de puissance. Nous voulons montrer que l'introduction de la semi-supervision aux algorithmes de clustering peut modifier et améliorer les solutions retournées par des algorithmes de clustering non supervisés. Nous contribuons à cette question en proposant des algorithmes pour chaque type de contraintes. Nos expériences sur les ensembles de données UCI et les jeux de données en langage naturel montrent la bonne performance de nos algorithmes et donnent des indications pour des travaux futurs prometteurs.

Clustering is the task of finding a partition of items, such that items in the same cluster are more similar than items in different clusters. One challenge consists in designing a system capable of taking benefit of the different sources of data. Among the different forms a piece of data can take, the description of an object can take the form of a feature vector: a list of attributes that takes a value. Objects can also be described by a graph which captures the relationships objects have with each others. In addition to this, some constraints can be known about the data. It can be known that an object is of a certain type or that two objects share the same type or are of different types. It can also be known that on a global scale, the different types of objects appear with a known frequency. In this thesis, we focus on clustering with three different types of constraints: label constraints, pairwise constraints and power-law constraint. A label constraint specifies in which cluster an object belong. Pairwise constraints specify that pairs of object should or should not share the same cluster. Finally, the power-law constraint is a cluster-level constraint that specifies that the distribution of cluster sizes are subject to a power-law. We want to show that introducing semi-supervision to clustering algorithms can alter and improve the solutions…

Advisors/Committee Members: Tommasi, Marc (thesis director), Denis, Pascal (thesis director).

Subjects/Keywords: Semi-Supervisé; Contraintes de paires; Contraintes de loi de puissance; Contraintes de label; 005.741

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Chatel, D. (2017). Semi-supervised clustering in graphs : Partitionnement semi-supervisé dans les graphes. (Doctoral Dissertation). Université Lille I – Sciences et Technologies. Retrieved from http://www.theses.fr/2017LIL10134

Chicago Manual of Style (16th Edition):

Chatel, David. “Semi-supervised clustering in graphs : Partitionnement semi-supervisé dans les graphes.” 2017. Doctoral Dissertation, Université Lille I – Sciences et Technologies. Accessed December 07, 2019. http://www.theses.fr/2017LIL10134.

MLA Handbook (7th Edition):

Chatel, David. “Semi-supervised clustering in graphs : Partitionnement semi-supervisé dans les graphes.” 2017. Web. 07 Dec 2019.

Vancouver:

Chatel D. Semi-supervised clustering in graphs : Partitionnement semi-supervisé dans les graphes. [Internet] [Doctoral dissertation]. Université Lille I – Sciences et Technologies; 2017. [cited 2019 Dec 07]. Available from: http://www.theses.fr/2017LIL10134.

Council of Science Editors:

Chatel D. Semi-supervised clustering in graphs : Partitionnement semi-supervisé dans les graphes. [Doctoral Dissertation]. Université Lille I – Sciences et Technologies; 2017. Available from: http://www.theses.fr/2017LIL10134

2. Dehouck, Mathieu. Multi-lingual dependency parsing : word representation and joint training for syntactic analysis : Parsing en dépendances multilingue : représentation de mots et apprentissage joint pour l’analyse syntaxique.

Degree: Docteur es, Informatique et applications, 2019, Université Lille I – Sciences et Technologies

Les parsers en dépendances modernes ont des résultats comparables à ceux d'experts humains. Cependant, ils sont encore gourmands en données annotées et ces données ne sont disponibles que pour quelques langues. Pour rendre l'analyse syntaxique accessible aussi aux langues peu dotées, de nombreuses méthodes sont apparues comme le transfert de modèle ou d'annotation. Dans cette thèse, nous proposons de nouvelles méthodes de partage de l'information entre plusieurs langues en utilisant leurs traits grammaticaux communs.Nous utilisons cette morphologie partagée pour apprendre des représentations de mots délexicalisés qui aideront l'apprentissage de modèles d'analyse syntaxique. Nous proposons aussi une nouvelle méthode d'apprentissage nommée apprentissage phylogénétique qui utilise l'arbre généalogique des langues pour guider l'apprentissage des modèles. Enfin, à l'aide de notre mesure de la complexité morphosyntaxique nous étudions le rôle de la morphologie pour l'analyse en dépendances.

While modern dependency parsers have become as good as human experts, they still rely heavily on hand annotated training examples which are available for a handful of languages only. Several methods such as model and annotation transfer have been proposed to make high quality syntactic analysis available to low resourced languages as well. In this thesis, we propose new approaches for sharing information across languages relying on their shared morphological features. In a fist time, we propose to use shared morphological features to induce cross-lingual delexicalised word representations that help learning syntactic analysis models. Then, we propose a new multi-task learning framework called phylogenetic learning which learns models for related tasks/languages guided by the tasks/languages evolutionary tree. Eventually, with our new measure of morphosyntactic complexity we investigate the intrinsic role of morphological information for dependency parsing.

Advisors/Committee Members: Tommasi, Marc (thesis director), Denis, Pascal (thesis director).

Subjects/Keywords: Apprentissage multilingue; 006.31

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Dehouck, M. (2019). Multi-lingual dependency parsing : word representation and joint training for syntactic analysis : Parsing en dépendances multilingue : représentation de mots et apprentissage joint pour l’analyse syntaxique. (Doctoral Dissertation). Université Lille I – Sciences et Technologies. Retrieved from http://www.theses.fr/2019LIL1I019

Chicago Manual of Style (16th Edition):

Dehouck, Mathieu. “Multi-lingual dependency parsing : word representation and joint training for syntactic analysis : Parsing en dépendances multilingue : représentation de mots et apprentissage joint pour l’analyse syntaxique.” 2019. Doctoral Dissertation, Université Lille I – Sciences et Technologies. Accessed December 07, 2019. http://www.theses.fr/2019LIL1I019.

MLA Handbook (7th Edition):

Dehouck, Mathieu. “Multi-lingual dependency parsing : word representation and joint training for syntactic analysis : Parsing en dépendances multilingue : représentation de mots et apprentissage joint pour l’analyse syntaxique.” 2019. Web. 07 Dec 2019.

Vancouver:

Dehouck M. Multi-lingual dependency parsing : word representation and joint training for syntactic analysis : Parsing en dépendances multilingue : représentation de mots et apprentissage joint pour l’analyse syntaxique. [Internet] [Doctoral dissertation]. Université Lille I – Sciences et Technologies; 2019. [cited 2019 Dec 07]. Available from: http://www.theses.fr/2019LIL1I019.

Council of Science Editors:

Dehouck M. Multi-lingual dependency parsing : word representation and joint training for syntactic analysis : Parsing en dépendances multilingue : représentation de mots et apprentissage joint pour l’analyse syntaxique. [Doctoral Dissertation]. Université Lille I – Sciences et Technologies; 2019. Available from: http://www.theses.fr/2019LIL1I019

.