4ème Journée ROADEF/AFIA: Nouvelles interactions entre RO, apprentissage, et fouille de données

  • Par : Bureau ROADEF
  • 2017-07-13

La ROADEF et l'AFIA organisent, le 18 septembre 2017, une journée thématique pour montrer l'enrichissement mutuel entre les techniques de RO et l'apprentissage/fouille de données.

 

La ROADEF et l'AFIA (Association Française pour l'Intelligence Artificielle, http://www.afia.asso.fr) organisent une journée thématique pour montrer l'enrichissement mutuel entre les techniques de RO et l'apprentissage/fouille de données.  

Nos intervenants (chercheurs et industriels) nous parleront des applications et des travaux de recherche sur la satisfaction des contraintes, le mix-integer programming, des méthodes de scoring, l'optimisation combinatoire, l'apprentissage et le data mining

Lieu: Université Paris Dauphine, salle A709 (7ème étage, batiment A, il faut traverser la cour et prendre l'ascenseur dans la cage d'escalier en verre)

Date: 18 septembre 2017 (10h-17h)

Comment s'inscrire: il suffit de completer notre formulaire 

Le programme:

10:00: Mots de bienvenue des deux associations:

Sourour Elloumi (présidente de la ROADEF) et Yves Demazeau (président de l'AFIA)

10:20 Axel Parmentier, chercheur, ENCP: "Learning to decompose: supervised learning for column generation"

11:05 Denis Montaut, CEO, Eurodecision(titre à venir)

mini pause

12:00 Yann Chevaleyre, prof, LIPN, Université Paris 13 : "Apprentissage des modèles de score"

12:45-14:00 dejeuner

14:00-14:45 Jin Kao-Hao, prof, Université d'Angers: "Apprentissage et fouille de données pour l’optimisation combinatoire : quelques cas d’études"

14:45-15:30 Lakdar Sais, prof, CRIL, Université d'Artois: "Towards cross-fertilization between Data Mining and Constraints"

mini pause

15:45: discussion

Les résumés:


Denis Montaut, CEO, Eurodecision

>> Résumé à venir


Towards cross-fertilization between Data Mining and Constraints

Lakhdar Sais, CRIL - CNRS, Université d'Artois, Lens, France

http://www.cril.fr/~sais/ 

http://www.cril.univ-artois.fr/decMining/

In this talk, we overview our contributions to data mining and more generally to the cross-fertilization between data mining, constraint programming and propositional satisfiability.  We will focus on three contributions. First, we show how propositional satisfiability (SAT) can be used to model and solve problems in data mining. As an illustration, we present a SAT-based declarative approach for itemset, association rules and sequences mining. Then, we present an original use of data mining techniques to compress Boolean formulas. Finally, we discuss how symmetries widely investigated in Constraint Programming (CP) and Propositional Satisfiability (SAT) can be extended to deal with data mining problems. 


Apprentissage des modèles de score

YannChevaleyre, prof, LIPN, Université Paris 13

>> Résumé à venir


Jin Kao-Hao, prof, Université d'Angers

Apprentissage et fouille de données pour l’optimisation combinatoire : quelques cas d’études

Jin-Kao Hao

LERIA, Université d’Angers

Dans cet exposé, nous présentons quelques cas d’études concernant l’utilisation de techniques d’apprentissage et de fouilles de données pour l’optimisation combinatoire : 

- multidimensional scaling et apprentissage par renforcement pour la coloration de graphes, 

- opposition-based learning pour un problème de diversité,

- et patterns fréquents pour l’affectation quadratique. 

Nous montrons comment ces techniques peuvent être avantageusement combinées avec une méthode d'optimisation pour obtenir des résultats de qualité pour des problèmes difficiles. 


 Learning to decompose: supervised learning for column generation

Axel Parmentier, chercheur, ENCP

"Learning to decompose: supervised learning for column generation".

 

Les coauteurs sont Marco Lübbecke et Markus Kruber.

Applying a Dantzig-Wolfe decomposition to a mixed-integer program (MIP) aims at exploiting an embedded model structure and can lead to significantly stronger reformulations of the MIP. Recently, automating the process and embedding it in standard MIP solvers have been proposed, with the detection of a decomposable model structure as key element. If the detected structure reflects the (usually unknown) actual structure of the MIP well, the solver may be much faster on the reformulated model than on the original. Otherwise, the solver may completely fail. We propose a supervised learning approach to decide whether or not a reformulation should be applied, and which decomposition to choose when several are possible. Preliminary experiments with a MIP solver equipped with this knowledge show a significant performance improvement on structured instances, with little deterioration on others.

Keywords:
mixed-integer programming; branch-and-price; column generation; automatic Dantzig-Wolfe decomposition; supervised learning