BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.4.3//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:0-102@lisn.upsaclay.fr DTSTART;TZID=Europe/Paris:20230307T140000 DTEND;TZID=Europe/Paris:20230307T170000 DTSTAMP:20230307T095942Z URL:https://www.lisn.upsaclay.fr/evenements/deeptype-comprehension-du-lang age-naturel-par-labstraction/ SUMMARY:DeepType: compréhension du langage naturel par l'abstraction DESCRIPTION:Composition du Jury\nAnne Vilnat (Professeure\, Université de Paris-Saclay) : ExaminatriceLaure Soulier (Maîtresse de conférence\, Sor bonne Université (ISIR)) : ExaminatriceSylvain Lamprier (Professeur\, Uni versité d'Angers (laboratoire LERIA)) : ExaminateurEmmanuel Morin (Profes seur\, Université de Nantes) : Rapporteur &\; ExaminateurEric Gaussier (Professeur\, Université de Grenoble Alpes) : Rapporteur &\; Examinat eurJohanne Cohen (Directrice de recherche\, CNRS/Université de Paris-Sacl ay) : Directrice de thèseMichèle Sebag (Directrice de recherche\, CNRS/U niversité de Paris-Saclay) : Directrice de thèse\nRésumé\nLa désambig uïsation et l'Entity Linking sont des tâches où le but est de retrouver le sens et l'identité d'un mot ou d'une expression au sein d'un document : par exemple que signifie le mot "France" dans la phrase "La France a bat tu le Brésil 3-0 dans la finale de 1998" (un pays? une armée? une équip e de football? etc.)? Cette question est difficile car elle requiert de co nnaître le sens des mots dans leur contexte. Et pourtant\, l'Entity Linki ng est une composante clé des moteurs de recherche type Google\, pour la traduction automatisée\, le fonctionnement de magasins en ligne\, des ass istants virtuels comme Siri ou Alexa\, ou même au fonctionnement de la bo urse due à son utilisation dans des systèmes de négociation automatisé s. L'Intelligence Artificielle Neuro-Symbolique est sous-ensemble de l'Int elligence Artificielle (IA) qui est particulièrement pertinent à l'Entit y Linking. Le but de ce sous-domaine est de combiner les atouts de l'Intel ligence Artificielle Symbolique avec les avancés venant des méthodes bas ées sur les réseaux neuronaux. Par exemple\, un système Neuro-Symboliqu e permet à un réseau neuronal d'accéder à des informations symbolique sur Internet en lui donnant accès à un explorateur web pour répondre à des questions plutôt qu'en espérant que le réseau neuronal ait mémori sé à l'avance tous les éléments de réponse possible. Cette thèse pr ésente un corpus d'avancées significatives pour l'Entity Linking et l'In telligence Artificielle Neuro-Symbolique. En premier temps nous élaborons la première étude mesurant la performance humaine en Entity Linking et servant désormais comme référence. Dans un deuxième temps nous dévelo ppons DeepType\, le premier système basé sur une représentation d'entit é qui utilise la hiérarchie des concepts présents dans des ontologies f abriquées par des humains\, afin d'entraîner un réseau neuronal profond pour l'Entity Linking. Nous montrons que de remplacer chaque entité par son emplacement dans une hiérarchie simplifiée des concepts\, plutôt qu 'en utilisant directement les entités\, donne lieu à une représentation plus compacte et ayant un plafond de performance qui un égale ou supéri eure à celui des humains dans notre étude. Bien que DeepType établisse un nouvel état de l'art\, le réseau neuronal entraîné n'est pas à la hauteur de la performance humaine ni celui du plafond potentiel de la repr ésentation choisie. Par conséquent\, nous avons créé DeepType 2\, la p remière IA surpassant l'humain en Entity Lining. Cette avancée est princ ipalement grâce aux interactions de types - une nouvelle façon de repré senter une entité en observant les relations entre celle-ci et les autres entités dans un document. Une limitation restante de DeepType 2 est sa d épendence des interactions de types sur une ontologie structurée (e.g. W ikidata)\, qui peut contenir des erreurs ou être incomplète dans certain es langues ou domaines moins représentés sur Internet. Nous proposons un e solution à ce problème dans DeepType 3 en créant une base de Donnée Relationnelle Neuronale (NeRD): il s'agit d'une technique permettant d'app rendre à une IA comment représenter des entités par leur relations avec d'autres entités en se servant de manière équivalente de données stru cturées ou non-structurées. A travers ces quatre résultats clés\, cett e thèse propose une nouvelle référence humaine pour mesurer la performa nce en Entity Linking\, et des algorithmes d'IA qui établissent un nouvel état de l'art\, sont les premiers à surpasser l'humain en Entity Linkin g\, et permettant une meilleur croissance et généralisation vers des nou veaux domaines d'applications où l'apprentissage dépend sur des relation s implicites entre des concepts. CATEGORIES:AAC,Thèses et HDR LOCATION:LISN Site Plaine\, 1 rue Raimond Castaing 91190 Gif-sur-Yvette\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=1 rue Raimond Castaing 91 190 Gif-sur-Yvette\, France;X-APPLE-RADIUS=100;X-TITLE=LISN Site Plaine:ge o:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:STANDARD DTSTART:20221030T020000 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET END:STANDARD END:VTIMEZONE END:VCALENDAR