Équipe académique

Avant de rejoindre Télécom Paris en 2014, Florence d'Alché-Buc était professeure à l’Université d’Evry, titulaire d’une ATIGE et directrice adjointe du laboratoire IBISC. Elle a initié et porté le programme Challenges au sein du réseau d'excellence européen PASCAL (2004-08) et est depuis 2017 responsable scientifique du Labex Digicosme. Ses recherches portent sur l’apprentissage statistique, l’inférence de réseaux, la prédiction structurée et la modélisation de systèmes dynamiques. Elle est auteur de plus de 80 publications dans des journaux ou conférences internationales.

Dans son activité d’enseignement, Florence d’Alché-Buc est co-responsable du Master 2 « DataScience » de l’Université Paris-Saclay, co-habilité avec l’École Polytechnique, l’ENSAE Paris et l’Université Paris Sud. Elle a participé à la création des nouvelles formations continues en intelligence artificielle : le Mastère Spécialisé "Intelligence Artificielle" et le Certificat d’Etudes Spécialisées "Intelligence Artificielle". Elle est également responsable de la chaire d’enseignement BearingPoint « Pédagogie des Sciences de la Donnée ».

Mots-clés : apprentissage statistique, méthodes à noyaux, prédiction structurée, inférence de réseaux, systèmes dynamiques.

Voir son site

Chloé Clavel est enseignante et chercheuse à Télécom Paris où elle coordonne le thème Social Computing . Elle travaille actuellement sur les interactions entre humains et agents virtuels, de l’analyse du comportement socio-affectif de l’utilisateur aux stratégies d’interaction socio-affective. Elle a participé à plusieurs projets européens et nationaux collaboratifs autour du Social Computing (ex: H2020 ITN ANIMATAS, aria-valuspa UE-TIC, Labex smart).

Mots-clés : analyse des opinions, traitement automatique du langage naturel, apprentissage, traitement de la parole, reconnaissance des émotions, interaction humain-agent.

Voir son site

Stephan Clémençon anime l’équipe de recherche S2A (Signal, Statistique et Apprentissage) au sein du laboratoire LTCI. Il effectue ses travaux de recherche en mathématiques appliquées au Laboratoire LTCI de Télécom Paris. Ses thématiques de recherche se situent principalement dans les domaines de l’apprentissage statistique, des probabilités et des statistiques. Il est responsable du Mastère Spécialisé « Big Data » à Télécom Paris et a été titulaire de la chaire industrielle « Machine Learning for Big Data » de 2013 à 2018.

Mots-clés : ranking, clustering, détection d'anomalie, fouille de graphes, moteurs de recommandation.

Voir son site

Stéphane Lathuilière est maître de conférences à Télécom Paris, Institut Polytechnique de Paris, dans l'équipe Multimédia du LTCI. Jusqu'en octobre 2019, il était post-doctorant à l'Université de Trente dans le groupe multimédia et compréhension humaine, dirigé par les professeurs Nicu Sebe et Elisa Ricci. Il a reçu le diplôme de maîtrise en mathématiques appliquées et en informatique de l'ENSIMAG, Grenoble Institut de technologie (Grenoble INP) en 2014. Il a réalisé son mémoire de maîtrise à l'Institut international de recherche MICA (Hanoi, Vietnam). Il a travaillé dans l'équipe Perception d'Inria sous la direction du Dr. Radu Horaud pour son doctorat en mathématiques et en informatique qu'il a obtenu à l'Université de Grenoble Alpes en 2018.

Ses intérêts de recherche portent sur l'apprentissage statistique pour les problèmes de vision par ordinateur (par exemple, l'adaptation au domaine, l'apprentissage continu) et les modèles profonds pour la génération d'images et de vidéos. Il a publié des articles dans les conférences les plus prestigieuses sur la vision par ordinateur (CVPR, ICCV, ECCV, NeurIPS) et dans des revues de premier plan (T-PAMI).

Mots-clés : vision par ordinateur, adaptation au domaine, apprentissage continus, modèles profonds pour la génération d'images et de vidéos

Voir son site

Pavlo Mozharovskyi a rejoint Télécom Paris en 2018. Après ses études dans L’institut polytechnique de Kiev dans le département Automatisation et informatique, il a obtenu son doctorat à l’Université de Cologne en 2014, où il a mené des recherches sur la statistique non-paramétrique et computationnelle et la classification. Il a occupé la fonction de post-doctorant dans le Centre Henri Lebesgue d’Agrocampus Ouest Rennes pendant un an, étudiant l’imputation des données manquantes, et a ensuite rejoint le laboratoire CREST de L’École nationale de la statistique et de l’analyse de l’information. Ses domaines de recherche principaux résident dans la profondeur statistique des données, la classification, la statistique computationnelle, la statistique robuste, les données manquantes et l’analyse par enveloppement des données.

Voir son site

François Roueff travaille au sein de l’équipe de recherche S2A du LTCI et est directeur adjoint de l'école doctorale de mathématiques Hadamard. Ses thèmes de recherche se situent principalement dans les domaines du traitement statistique du signal, de l'analyse et la modélisation aléatoire des séries temporelles et des statistiques pour les processus stochastiques.

Mots-clés : longue dépendance, analyse en ondelettes, processus de Hawkes, processus localement stationnaires.

Voir son site

Roland Badeau est professeur dans l’équipe Signal, Statistiques et Apprentissage dans le département Image, Données, Signal (IDS) de Télécom Paris. Ses travaux de recherche portent sur la modélisation statistique de signaux non-stationnaires (en allant de l’analyse spectrale haute-résolution et adaptative et les extensions bayésiennes de la factorisation en matrices non-négatives), avec des applications en acoustique et en musique (séparation de sources audio, débruitage, déréverbération, estimation de fréquences fondamentales multiples, transcription musicale automatique, codage audio, restauration de contenu musical). Il est le co-auteur d’une trentaine d’articles, plus de 100 comptes rendus de conférences et 4 brevets. Il est également Éditeur associé des revues « EURASIP Journal on Audio, Speech, and Music Processing » et « IEEE/ACM Transactions on Audio, Speech, and Language Processing ».

Mots-clés : représentation des données, modélisation, algorithmes, traitement du signal audio.

Voir son site

Pascal Bianchi est né en 1977. Il est titulaire d’un Master en Sciences de l'Université de Paris XI et de Supélec en 2000 et d’un doctorat de l'Université de Marne-la-Vallée en 2003. De 2003 à 2009, il était Maître de Conférences au Département des télécommunications de Supélec. En 2009, il a rejoint l’équipe Signal, Statistiques et Apprentissage (S2A) du LTCI de Télécom Paris. Ses intérêts de recherche actuels se trouvent dans le domaine de l'optimisation stochastique, les probabilités et le traitement du signal.

Mots-clés : traitement statistique du signal, optimisation convexe, optimisation distribuée, réseaux de capteurs.

Voir son site

Albert Bifet est l'un des leaders des environnements MOA et Apache SAMOA pour l'implémentation des algorithmes et l’expérimentation de l'apprentissage en ligne depuis des flux de données évolutifs. Il est l'auteur d'un livre sur la fouille de flux adaptative et sur l'apprentissage et la fouille de modèles depuis les flux de données évolutifs. Précédemment, il a travaillé au sein du Noah’s Ark Lab de Huawei à Hong Kong, au Yahoo Labs de Barcelone, à l'Université de Waikato et à l'UPC BarcelonaTech. Il était co-chair du parcours industriel de l'IEEE MDM 2016, de l'ECML PKDD 2015, de BigMine (2012-2018) et du parcours Flux de Données de l'ACM SAC (2012-2019).

Voir son site

Thomas Bonald est Professeur à Télécom Paris et anime l'équipe de recherche DIG (Data, Intelligence et Graphes). Ses activités de recherche portent sur l’analyse de graphes. Il anime notamment le projet Scikit-network, une librairie Python dédiée à l’analyse des grands graphes. Il s’intéresse également aux séries temporelles multi-variées et au traitement naturel du langage.

Voir son site

Slim Essid coordonne le thème de recherche « traitement du signal et analyse de données audio » (ADASP). Ses travaux s'intéressent à l’intelligence artificielle et l'apprentissage automatique pour le traitement du signal et l'analyse de données temporelles. Les domaines d'application traités couvrent à la fois l'analyse de contenus et la perception par ordinateur (machine perception), notamment via des approches multimodales. Les exemples d'applications attaquées incluent l'audition par ordinateur (machine listening), l'analyse de contenus audiovisuels et musicaux, l’analyse et la reconnaissance des états socio-émotionnels, ainsi que l'analyse des signaux électroencéphalographiques (EEG). Slim Essid a été impliqué depuis 2005 dans plusieurs projets collaboratifs nationaux et européens (FP6 et FP7).

Mots-clés : apprentissage structuré, apprentissage multi-vues, analyse en variables latentes, apprentissage de représentations, données audio et multimodales.

Voir son site web

Olivier Fercoq est titulaire d’un Master de Paris 6 et de l’ENSTA Paris. Pendant son doctorat à l'École polytechnique (2009-2012), il a étudié des problèmes d'optimisation liés au référencement des pages web et à des applications en biologie. Il a passé deux ans à l'Université d'Édimbourg où il a travaillé sur les méthodes de descente par coordonnée. Il a rejoint Télécom Paris en 2014. Ses intérêts de recherche actuels portent sur le développement et l'étude d'algorithmes d'optimisation pour des problèmes de grande dimension.

Voir son site web

Jhony Giraldo est maître de conférences à Télécom Paris, Institut Polytechnique de Paris, dans l'équipe Multimédia du LTCI.

Il a obtenu une licence en ingénierie électronique et un MS à l'Universidad de Antioquia, en Colombie, respectivement en 2016 et 2018. Il a passé 15 mois à l'Université du Delaware, aux États-Unis, à travailler sur le traitement des signaux graphiques entre 2018 et 2019. Jhony a été chercheur invité à l'Università degli Studi di Napoli Parthenope, en Italie, en 2021. En 2022, il a été doctorant invité à CentraleSupélec, Université Paris-Saclay, France, avant de terminer son doctorat en mathématiques appliquées à l'Université de La Rochelle, France.

Ses recherches portent sur les principes fondamentaux et les applications des réseaux neuronaux graphiques, la vision par ordinateur, l'apprentissage automatique et le traitement des signaux graphiques.

C’est en 2014 qu’Ekhine Irurozki a obtenu son doctorat d’informatique auprès de l’Université du Pays basque en Espagne. Elle est maître de conférences à Télécom Paris depuis 2020. Avant de rejoindre Télécom Paris, elle a été postdoctorante dans le département Apprentissage Statistique du Basque Center for Applied Mathematics (BCAM) à Bilbao, de 2017 à 2020. Auparavant, elle a travaillé à l’Université du Pays basque en tant que postdoctorante, de 2015 à 2017. Ses recherches portent essentiellement sur les techniques d’aide à la décision fondées sur l’optimisation et l’intelligence artificielle et elle s’intéresse plus particulièrement aux problèmes de statistique mettant en jeu des données de classement.

Au BACM, Ekhine Irurozki a été responsable du laboratoire cybersécurité et membre de l'équipe de transfert, ayant déjà travaillé sur différents projets avec des sociétés issues de l’industrie et des services. L’Université du Pays basque lui a  octroyé le Grand Prix Doctoral.

Mots-clés : modèles de classement, permutations, combinatoire, modélisation de préférence, intelligence artificielle, optimisation

Yann  Issartel est maître de conférences à Télécom Paris, Institut Polytechnique de Paris. Jusqu'en août 2022, il était post-doctorant au Centre de recherche en économie et statistiques (CREST) à l'ENSAE, Institut Polytechnique de Paris, sous la direction de Cristina Butucea. Ingénieur de l'École Polytechnique, Institut Polytechnique de Paris, il a obtenu son Mastère Spécialisé en probabilités et statistiques à l'Institut de Mathématiques d’Orsay, Université Paris-Saclay, et mené, sous la direction des professeurs Christophe Giraud and Nicolas Verzelen, une thèse en mathématiques statistiques et apprentissage jusque 2020 dans le même établissement.

Ses intérêts de recherche portent sur la sécurité des données ou encore les réseaux aléatoires. Il a déjà publié pour des conférences (NeurIPS) ou des revues prestigieuses (Journal of Machine Learning Research)

Mots-clés : réseaux aléatoires, modèles de position latente, prédiction de liens, apprentissage séquentiel, algorithmes de bandit, confidentialité des données, réseaux antagonistes génératifs

Ons Jelassi est enseignante à la formation continue de Télécom Paris et de Télécom Evolution. Elle supervise les programmes des Mastères Spécialisés et des Certificats d’Etudes Spécialisées (CES) en science des données et intelligence artificielle. Elle a travaillé dans le domaine de la métrologie et des performances des réseaux dans le cadre de sa thèse et en tant que consultante auprès de grandes entreprises pour des missions d'audit et d'expertise. Ses travaux de recherche au sein de l’équipe de recherche S2A du LTCI portent sur le passage à l'échelle des algorithmes d'apprentissage.

Matthieu Labeau a rejoint Télécom Paris en tant que Maître de conférences en 2019. Il a effectué son doctorat à l'Université Paris-Saclay et s'est intéressé aux problèmes posés par les grands vocabulaires en modélisation du langage. Il a ensuite été chercheur postdoctoral à l'Université d'Édimbourg. Ses domaines de recherche, au sein du traitement automatique du langage, concernent principalement l'apprentissage de représentations et la modélisation du langage.

Mots-clés: traitement automatique du langage naturel, modélisation du langage, représentations de mots, apprentissage profond

Charlotte Laclau est Maîtresse de Conférences à Télécom Paris, Institut Polytechnique de Paris, depuis septembre 2022. Elle est membre du laboratoire LTCI, et fait partie de l'équipe S2A. Auparavant, elle occupait le même poste au laboratoire Hubert Curien dans l'équipe Data Intelligence. Son principal domaine de recherche est l'apprentissage automatique. Ses recherches portent notamment sur l'apprentissage par représentation pour les données complexes, l'équité dans l'apprentissage automatique pour les données relationnelles et l'apprentissage non supervisé pour les données à haute dimension.

Laurence Likforman est Maître de conférences (HDR) à Télécom Paris depuis 1991. Elle est responsable du cours de Reconnaissance des formes et enseigne également en Traitement du signal, Analyse de documents et Statistiques. Ses travaux de recherche portent notamment sur l’utilisation des réseaux de neurones récurrents et convolutifs pour la reconnaissance et l’analyse de l’écriture manuscrite.

Voir son site

Geoffroy Peeters travaille dans l’équipe LTCI S2A de Télécom Paris. Il a obtenu son doctorat en 2001 et son habilitation en 2013 à l’Université Paris VI pour ses travaux sur le traitement du signal audio, l’analyse des données et l’apprentissage statistique. Avant de rejoindre Télécom Paris, il était responsable des travaux de recherche concernant la récupération d’information musicale à l’IRCAM. Ses recherches actuelles portent sur le traitement de signal, l’apprentissage statistique et l’apprentissage profond (deep learning) appliqués à l’analyse des données audio et musicales.

Voir son site

Gaël Richard est responsable du département IDS (Image, Données, Signal). Ses travaux de recherche sont au cœur du numérique et dédiés à l’analyse, la transformation, la compréhension ou l’interprétation des signaux sonores (parole, musique, sons environnementaux…) et dans une moindre mesure des signaux multimédia. Il a notamment développé plusieurs méthodes pour la séparation des signaux musicaux et audio reposant sur des principes de factorisations de matrices non-négatives et d’apprentissage automatique (machine learning).

Mots-clés : Machine listening, Factorisation de matrices, Apprentissage de représentations, Music Information Retrieval (MIR), Reconnaissance sonore, Séparation de sources.

Voir son site

Fabian M. Suchanek a développé entre autres YAGO, une des plus grandes bases de connaissances publiques, qui lui a valu une mention honorable dans le cadre du prix de thèse SIGMOD. Parmi ses domaines de recherche figurent la fouille de données, le raisonnement automatisé et les bases de connaissances. Fabian a publié environ 70 articles scientifiques dans diverses publications, notamment ISWC, VLDB, SIGMOD, WWW, CIKM, ICDE et SIGIR, et ses travaux ont été cités plus de 7000 fois.

Voir son site

Enzo Tartaglione a obtenu en 2015 un master conjoint en ingénierie électronique de l'École polytechnique de Turin, l'Université de l'Illinois à Chicago et l'École polytechnique de Milan. Il a obtenu le diplôme de l'Alta Scuola Politecnica en 2016. En 2019, il a soutenu sa thèse de doctorat au Politecnico di Torino, sur le thème "De la physique statistique aux algorithmes de réseaux neuronaux profonds". De 2019 à 2021, il a occupé une position postdoctorale à l'Université de Turin, travaillant sur le projet européen DeepHealth. Ses sujets de recherche incluent l'élagage des réseaux neuronaux, la compression, la quantification, la régularisation, l'apprentissage profond appliqué au traitement des images médicales, le débiaisement des données et des modèles, la protection de la vie privée.

Visitez sa page Google Scholar

Anass Aghbalou est actuellement en deuxième année de thèse à Telecom Paris. Il a obtenu un diplôme d'ingénieur à l'École Centrale de Lyon en 2018 et un master en ingénierie statistique et financière - parcours Machine Learning, à l'Université Paris-Dauphine en 2019. Après une année passée comme ingénieur de recherche à Telecom Paris, il est, depuis décembre 2020, doctorant sous la direction d'Anne Sabourin (Télécom Paris), François Portier (ENSAI Rennes) et Patrice Bertail (Université Paris Nanterre). Ses recherches portent sur les techniques de rééchantillonage, en particulier le validation croisée, pour des algorithmes de machine learning dédiés aux événements rares (détection d'anomalie, classification déséquilibrée, valeurs extrêmes).

Dimitri Bouche travaille sur une problématique peu explorée en machine learning  : l’apprentissage de processus spatio-temporels. Son étude portera sur l’analyse de données fonctionnelles et sur les méthodes à noyaux à valeurs opérateurs dans le but de résoudre plusieurs défis inhérents à ce type de données. Dimitri Bouche travaille en collaboration avec Florence d’Alché-Buc, la responsable de la chaire DSAIDIS et professeure à Télécom Paris, François Roueff, professeur à Télécom Paris et Marianne Clausel, professeure à l'Université de Lorraine.

Mots-clés: machine learning  : apprentissage de processus spatio-temporels, analyse de données fonctionnelles, méthodes à noyaux à valeurs opérateurs

Mots-clés: apprentissage profond, méthodes à noyaux, prédiction de données structurées, structure hybride

Marc Hulcelle est doctorant en première année depuis octobre 2020, sous la direction de Chloé Clavel (Télécom Paris) et Giovanna Varni (Télécom Paris). Sa thèse porte sur l'analyse automatique de comportements sociaux en interaction homme-robot se focalisant principalement sur la notion de confiance et d'engagement. Il a obtenu son diplôme d'ingénieur à l'école des Mines de Saint-Étienne. Il a travaillé au sein de l'entreprise Blue Frog Robotics avant de commencer sa thèse.

Mots-clés : apprentissage automatique, interaction homme-robot, affective computing.

Jayneel Parekh est doctorant à Télécom Paris depuis septembre 2019. Il y travaille sous la direction de Florence d’Alché-Buc et de Pavlo Mozharovskyi. Sa thèse porte sur les modèles d’apprentissage statistique interprétables « by design ». Il a obtenu ses diplômes de Bachelor et de Master à l’IIT de Bombay. Ses centres d’intérêt principaux sont l’apprentissage statistique, ainsi que ses applications dans les domaines audio/visuel.

Mots-clés: apprentissage statistique interprétable, deep learning, analyse audio-visuel

Emilia Siviero est doctorante en première année à Télécom Paris, sous la direction de Stephan Clémençon (Télécom Paris) et Emilie Chautru (Mines ParisTech). Son sujet de recherche porte sur les méthodes d'apprentissage statistique pour les données spatiales. Elle a obtenu un Master 2 de Mathématiques, Vision et Apprentissage (MVA) de l'ENS Paris-Saclay.

Mots-clés: apprentissage statistique, données spatiales, géostatistiques

Jérémy Guérin travaille sous la direction de Pavlo Mozharovskyi sur le sujet de la profondeur des données. Ma thèse commencera en Avril 2022 mais je travaille sur le sujet depuis le mois de Novembre. Ce sujet regroupe plusieurs thèmes que j’ai pu rencontrer pendant mes études :les statistiques en grande dimension ainsi que l’optimisation. La profondeur des données sert à quantifier la centralité d’un point dans un jeu de données multivariées. Je cherche à prouver l’existence d’algorithmes pouvant calculer efficacement la profondeur pour des jeux de données de grande dimension afin qu’ils puissent être utilisés en pratique.

Mots clés: profondeur des données, apprentissage automatique, optimisation, robustesse, calcul statistique

Nathan Huet est doctorant depuis Septembre 2021 sous la direction de Stephan Clémençon et Anne Sabourin (Télécom Paris). Il a d'abord obtenu une licence Mathématiques Fondamentales et Appliquées, puis a obtenu son Master à l'Université Paris-Saclay dans le parcours Mathématiques de l'Aléatoire, mention Probabilités et Statistique. Après un stage de recherche à Télécom Paris du 14/04/2021 au 30/09/2021, avec pour sujet : "Analyse des Valeurs Extrêmes de Données Fonctionnelles et Applications à la Détection d'Anomalies Fonctionnelles", sous la tutelle de Stephan Clémençon et Anne Sabourin, Nathan a poursuivi avec une thèse, encadrée par la même équipe. Ses recherches portent sur le traitement des données fonctionnelles atypiques pour la détection d'anomalie. Le cadre probabiliste adopté est celui de la variation régulière et de la théorie des valeurs extrêmes dans des espaces fonctionnels.

Mots-clés : théorie des valeurs extrêmes, analyse fonctionnelle, réduction de dimension

Mots-clés: traitement automatique du langage naturel, prédiction de sortie structurée, génération de texte, apprentissage profond

Sanjeel Parekh va se consacrer à l'apprentissage actif. Il sera encadré par la professeure Florence d'Alché-Buc. Sanjeel a occupé un poste d’ingénieur de recherche postdoctoral et s’est intéressé à la détection d’événements sonores en temps réel pour le compte d’un projet de startup à Télécom Paris. De 2016 à 2019 ses travaux l’ont aidé à préparer sa thèse sur l'analyse de scène visuelle et sonore au sein de Technicolor R&D et Télécom Paris. Auparavant, il a obtenu en 2015 un Master (MS) en informatique des sons et de la musique à l’Université Pompeu Fabra (UPF) en Espagne, et un Bachelor (B. Tech hons.) en électronique et ingénierie des communications au LNM Institute of Information Technology, en Inde en 2014. Ses travaux portent sur le développement et l'application de techniques d'apprentissage liées à des problèmes issus du domaine audiovisuel.

Mots-clés: Apprentissage de représentation, apprentissage profond, apprentissage actif, analyse audiovisuelle

Arturo Castellanos est ingénieur de recherche au sein de l'équipe de Florence d'Alché-Buc. A travers la chaire DSAIDIS, il a réalisé une mission avec l'entreprise Valeo afin de détecter des anomalies sur des chaînes de production, et à présent il contribue au développement d'une librairie pour la détection d'anomalies. Il est ingénieur diplômé de Télécom Paris & EURECOM, et a obtenu un master en informatique à Oxford.

Mots-clés : détection d'anomalies, méthode à noyaux.

Ignacio Laurenty est diplômé du Master 2 - Modélisation Aléatoire, Finance et Data Science de l’université Paris Cité. Il travaille actuellement sur une approche bandit de l’apprentissage actif au sein de la chaire DSAIDIS, sous la supervision de Florence d’Alché-Buc et Ekhine Irurozki. À partir d’une hiérarchie sur les labels, il étudie le développement de politiques d’annotation partielle de données pour des tâches de classification.

Mots-clés: approche bandit, apprentissage actif, annotation de données, classification

Voir sa page LinkedIn

Sarah travaille en tant qu'Ingénieure R&D au sein de l'équipe S2A en collaboration avec Florence d'Alché-Buc. Elle s'intéresse à la modélisation de dynamiques temporelles dans des séquences de données structurées sous forme de graphes, avec des applications en économie. Sarah est diplômée du M2 Statistics & Econometrics de l'Ecole d'Economie de Toulouse (TSE) et du MS Data Science de l'ENSAE Paris.

Mots-clés :  Graphes, Machine Learning, Apprentissage de représentations, Prédiction de séquences de données structurées, Séries temporelles.

Keywords: Apprentissage profond, réseaux de neurones récurrents, interaction homme-machine, reconnaissance émotionnelle, détection de baisse d’engagement de l’utilisateur

Jean-Rémy Conti s’intéressera aux méthodes d’apprentissage statistique pour les données spatiales. Il y définira un cadre mathématique permettant d’établir la capacité de généralisation des règles obtenues par minimisation du risque empirique ainsi qu’à étudier d’autres extensions au contexte spatial d’algorithmes populaires d’un point de vue théorique et expérimental à la fois. Il est encadré par Stéphan Clémençon, professeur à Télécom Paris et Emilie Chautru, co-directrice de la formation de géostatistique et chargée de recherche au centre de Géostatistique des Mines de Paris.

Mots-clés: apprentissage statistique pour les donnés spatiales, mathématique, spatial d'algorithmes, géostatistique

Après avoir obtenu son doctorat en 2013 en analyse des signaux audio pour la transcription automatique de musique et la séparation de sources à Télécom Paris, Benoit Fuentes a travaillé 6 ans à développer des algorithmes de séparation de source de signaux électriques dans l'entreprise Smart Impulse, spécialisée dans les diagnostiques de consommations électrique en vue d'économies d'énergie. Benoit Fuentes a été chercheur post-doctorant au sein de l’équipe S2A du LTCI à Télécom Paris de 2020 à 2O21. Il a travaillé à l'élaboration d'un outil logiciel générique pour les factorisations profondes de tenseurs ainsi que sur la théorie probabiliste sous-jacente.

Mots clés : traitement du signal, séparation de sources, factorisation de tenseurs, apprentissage non-supervisé, algorithmes d'inférence bayésienne.

Voir son site web

Robert M. Gower est Maître de conférence à Télécom Paris depuis 2017. Il s'intéresse à la conception et à l'analyse de nouveaux algorithmes stochastiques pour résoudre des problèmes de big data dans l'apprentissage automatique et l'informatique scientifique. Mathématicien de formation, ses études universitaires ont commencé avec un baccalauréat et une maîtrise en mathématiques appliquées à l'Université d'État de Campinas (Brésil), où il a conçu les algorithmes à l'état de l'art pour calculer automatiquement les dérivées d'ordre élevé en utilisant une back-propagation. Son doctorat en méthodes numériques stochastiques à l'Université d'Édimbourg lui a valu la 2e place du prix Leslie Fox 2017 en analyse numérique. En 2016, il obtient le fonds postdoctoral de la Fondation des Sciences Mathématiques de Paris pour continuer son travail en post-doctorat à l'ENS.

Mots-clés : Optimisation stochastique, algèbre linéaire numérique aléatoire, optimisation convexe, apprentissage automatique, différenciation automatique.

Voir son site web

Yannick Guyonvarch a obtenu son doctorat en économétrie auprès de l’ENSAE Paris. Son doctorat portait essentiellement sur l’inférence dans des problèmes de M-estimation avec des données échangeables. Il a ensuite été chercheur postdoctoral dans le labo LTCI au sein de l'équipe S2A de 2020 à 2021. Il s’intéressait à des domaines de recherche tels que l'analyse non asymptotique des méthodes d’échantillonnage d’enquête et l'apprentissage par transfert.

Mots-clés : échantillonnage d’enquête, apprentissage par transfert, inférence non asymptotique, statistique non paramétrique.

Halim Hizaoui est élève-ingénieur en intelligence artificielle à l'ENSTA Paris au sein d’un parcours menant à l’obtention d’un double diplôme ENSTA-ENIT (Ecole nationale d'ingénieurs de Tunis). Il est passionné par la finance et le machine learning.

Pendant son stage intitulé "Apprentissage multiéchelle à noyau avec la méthode Alpha-procedure.", il développera une méthode de classification supervisée inspirée du classifieur DDalpha (R-package ddalpha). Le classifieur DDalpha se base sur le Data Depth et l’Alpha-procedure. Il a l’avantage d’être non paramétrique, rapide et robuste. L’alpha-procedure est une heuristique itérative qui permet d’obtenir un espace fini de variables pertinentes. Grâce à cette nature récursive, l’optimisation de la fonction loss se fait en un temps de calculs réduit.  La combinaison Data Depth et Alpha-procedure donne des résultats prometteurs qui encouragent à développer davantage cette méthode côté heuristique. Le stage sera donc consacré à poursuivre les recherches sur l’Alpha-procedure. Des bases de données réelles et synthétiques seront testées en vue de déterminer les paramètres optimaux selon chaque configuration et de fournir une aide à la décision pour le choix de ces paramètres. Il sera encadré par Pavlo Mozharovskyi, maître de conférences à Télécom Paris.

Orson Jay est étudiant à l'Ecole Centrale de Nantes en master 1 Statistiques et Science des données. Son stage, qui se déroule du 01/04/2020 au 28/08/2020, s'intitule : « Prédiction multi-labels de compétences sociales dans des vidéos d’entretiens d’embauche par des réseaux de neurones récurrents ». Au cours de celui-ci, Orson est amené à étudier les compétences générales recherchées aux entretiens d’embauche différés par une méthode d’analyse de corpus, à étudier la littérature récente sur les modèles multi-labels et les méthodes de représentation de labels ainsi qu'à implémenter des réseaux de neurones récurrents basés sur des unités LSTM ou GRU pour la résolution de problème de multi-labels. Ce stage est encadré par Chloé Clavel, enseignante et chercheuse à Télécom Paris et Léo Hemamou, doctorant à Télécom Paris.

Mots-clés : traitement automatique du langage naturel, apprentissage profond, modèles multi-labels.

Pierre Laforgue est doctorant au sein de l'équipe S²A de Télécom Paris depuis le 10 octobre 2016. Diplômé de l'ENSAE Paris, il est également titulaire du Master 2 "Mathématiques, Apprentissage et Sciences Humaines" de l'Université Paris Dauphine. Sa thèse, encadrée par Florence d'Alché-Buc et Stephan Clémençon, porte sur l'apprentissage non-supervisé de représentations, avec pour objectif de l'appliquer aux séries temporelles.

Mots-clés : apprentissage non supervisé, apprentissage de la représentation, séries temporelles.

Le stage de Rémi Leluc portera sur l’étude des méthodes de Monte-Carlo adaptatives dans le cadre de l’apprentissage par renforcement d’un point de vue théorique (convergence et inégalités, bornes théoriques) et d’un point de vue pratique (implémentation de nouvelles méthodes et comparaisons avec les méthodes de l’état de l’art). Il est supervisé par François Portier, maître de conférence à Télécom Paris et Pascal Bianchi professeur à Télécom Paris.

Mots-clés: apprentissage par renforcement d’un point de vue théorique, convergence et inégalités, bornes théoriques, méthodes de l’état de l’art

Binh Nguyen travaille en tant que chercheur postdoctoral dans l'équipe de recherche S2A (Signal, Statistics and Learning) du LTCI depuis Février 2022. Il s'intéresse à l'application du transport optimal aux problèmes de prédiction structurée en apprentissage automatique. Après un Master en Data Science à l'Université Paris-Saclay, il a obtenu un doctorat en travaillant sur les statistiques en haute dimension dans l'équipe Proba-Stat du Département de Mathématiques d'Orsay et l'équipe Parietal d'INRIA.

Mots-clés : transport optimal, prédiction structurée,statistiques en haute dimension, dispersion

Site personnel : https://tbng.github.io/

Mots-clés : apprentissage statistique, échantillonnage d’enquête, apprentissage par transfert, matrices aléatoires, graphes aléatoires.

Site web personnel

Brice Parilusyan est un passionné de robotique. Il intègre l’association robotique de son école où il a participé deux fois à la coupe de France de robotique et construit InMoov, un robot humanoïde à taille humaine. Son sujet de stage portera sur l’étude des signaux sociaux dans un groupe. Il travaille à l’étude « d’état émergeant » dans un groupe, comme la cohésion ou le leadership et la manière dont un agent virtuel peut le quantifier. Il est encadré par Giovanna Varni, Maître de conférences à Télécom Paris.

François Portier travaille au sein de l’équipe S2A du LTCI de Télécom Paris. Il a réalisé son doctorat sur les modèles prédictifs parcimonieux à l’Université de Rennes 1. Il a effectué, par la suite, un post-doctorat FNRS à l’Université catholique de Louvain durant lequel il a étudié certains modèles d’analyse de survie. Ses thèmes de recherche portent aujourd’hui sur les méthodes de Monte-Carlo séquentielles, l’apprentissage pour données censurées et dépendantes, les modèles prédictifs parcimonieux.

Mots-clés : échantillonnage d’importance adaptatif, MCMC, Bootstrap, chaine de Markov, réduction de la dimension, analyse de survie.

Voir son site

Oskar Rynkiewicz est étudiant au master Intelligence Artificielle, Systèmes, Données (IASD) à l'université Paris Dauphine-PSL. Il s'intéresse à l'optimisation et l'apprentissage automatique.  A Télécom Paris, il intègre l'équipe S²A du 30/03/2020 au 30/09/2020 pour effectuer son stage de recherche sous l'encadrement d'Olivier Fercoq, maître de conférences à Télécom Paris. Il cherche à obtenir une borne inférieure d'algorithmes primal-dual sur les problèmes d'optimisation convexes à contraintes affines sous l’hypothèse de sous-régularité métrique. Une fois obtenue, la borne inférieure vérifiera l'optimalité des méthodes actuellement utilisées en ce qui concerne la sous-régularité métrique.

Mots-clés : optimisation convexe, borne inférieure, vitesse de convergence, sous-régularité métrique, apprentissage automatique.

Anne Sabourin est Maître de Conférences au sein de l’équipe S2A de Télécom Paris depuis 2013. Elle a obtenu son doctorat en 2013 sur les valeurs extrêmes multivariées et l'inférence bayésienne à l'Université Lyon 1, sous la direction d'Anne-Laure Fougères et Philippe Naveau. Ses objets de recherche concernent la théorie des valeurs extrêmes multivariées, la dépendance entre les événements rares, la réduction des dimensions dans les régions extrêmes, avec diverses applications allant des risques environnementaux aux applications en apprentissage automatique telles que la détection d'anomalies.

Voir son site

Othmane Sebbouh est étudiant en Master Data Science à l'ENSAE et à l'Ecole polytechnique. Le sujet de son stage au sein de la chaire DSAIDIS est "Combler le fossé entre la théorie et la pratique pour les méthodes à réduction de variance stochastique". SVRG (stochastic variance reduced method) est un algorithme en deux boucles, une boucle externe et une boucle interne : un gradient complet (calculé sur l’ensemble des données) de référence est évalué dans la boucle externe, après quoi m étapes d'une boucle interne sont exécutées, où le gradient de référence est utilisé pour créer une estimation moins coûteuse du gradient actuel avec réduction de variance. La simplicité de la méthode SVRG et de son analyse a conduit à de multiples extensions et variantes pour l’optimisation convexe et non convexe. Cependant, il existe un écart important entre les paramètres suggérés par l'analyse et ce qui est utilisé en pratique. C'est pourquoi le travail d'Othmane consistera à développer des pistes pour combler cet écart.

Umut Şimşekli a obtenu son doctorat en 2015 suite à ses travaux sur les méthodes d’inférence pour les modèles de factorisation matricielle et tensorielle à très grande échelle dans le département génie informatique de l’Université Bogaziçi, à Istanboul (Turquie). Ses domaines de recherche sont l’apprentissage statistique bayésien à l’échelle, le traitement du signal audio et musical et les systèmes de recommandation.

Voir son site

Yousef Taheri Sojasi est un passionné d'apprentissage statistique et  de traitement du langage naturel. Son stage intitulé « Signaux faibles sur des données textuelles » est encadré par Stephan Clémençon, professeur à Télécom Paris et  Matthieu Labeau, maître de conférences à Télécom Paris. Ce stage, qui a débuté le 30/03/2020 et qui s'achèvera le 31/08/2020, porte sur le développement de  méthodes  de représentation visant à faciliter la  détection de signaux faibles sur des données textuelles. La détection  de signaux faibles est un enjeu majeur sur  le  plan  applicatif. La méthode est inspirée par approches et critères fondés sur la théorie des  valeurs  extrêmes  ayant  permis  d’étendre les techniques d’apprentissage supervisé ou non supervisé.

Mots-clés: traitement automatique du langage naturel, représentations  de mots, théorie  des  valeurs extrêmes, apprentissage supervisé,  apprentissage non supervisé

Arrivée à Télécom Paris en 2017, ses activités de recherche portent sur le domaine du socio-affective computing. Auparavant, Giovanna Varni était chercheuse postdoctorale à l’Université de Gênes (Italie) dans l’équipe InfoMus Lab, puis dans l’équipe INTERACTION (groupe IMI2S) au sein de l’Université Pierre et Marie Curie à Paris 6. Ses travaux s’intéressent à l’analyse des signaux multimodaux non verbaux dans l’interaction homme-homme et homme-machine. Elle a été impliqué depuis 2006 dans plusieurs projets européens (FP7 ; EU-ICT ; STREP et FET).

Mots-clés : interaction homme-homme et homme-machine, socio-affective signal processing, synchronie interpersonnelle, geste expressif.

Voir son site

Robin Vogel a obtenu son diplôme d'ingénieur de l'ENSAE Paris ainsi que le M2 Data Science de l'Université Paris-Saclay en 2016. Il a été doctorant à Télécom Paris de 2017 à 2020, sous la supervision de Stephan Clémençon, Aurélien Bellet (Inria) et Anne Sabourin. Il était employé par IDEMIA, société leader dans le domaine des solutions de biométrie et de sécurité, dans le cadre d'un accord CIFRE. Il s'intéressait à la théorie de l'apprentissage statistique et à l'apprentissage automatique pour l'identification et le contrôle d'accès. Il 

Mots-clés: apprentissage par similarité, classement, biométrie, théorie de l'apprentissage statistique, apprentissage profond.

Voir son site