BULLETIN DE L’AFIA · E L Préparation de la Plate-forme AFIA 2011 Ce numéro d’été contient...

BULLETIN

DE

L’AFIA

JUILLET 2010

NO 70

Association Française pour l’Intelligence Artificielle

Présentation du bulletin Comité de Rédaction

Le Bulletin de l’Association Française pour l’Intelligence Artificielle vise à fournirun cadre de discussions et d’échanges au sein de la communauté universitaire et in-dustrielle. Ainsi, toutes les contributions, pour peu qu’elles aient un intérêt généralpour l’ensemble des lecteurs, sont les bienvenues. En particulier, les annonces, lescomptes rendus de conférences, les notes de lecture et les articles de débat sont trèsrecherchés. Le Bulletin de l’AFIA publie également des dossiers plus substantiels surdifférents thèmes liés à l’IA. Le comité de rédaction se réserve le droit de ne pas pu-blier des contributions qu’il jugerait contraire à l’esprit du bulletin ou à sa politiqueéditoriale. En outre, les articles signés, de même que les contributions aux débats,reflètent le point de vue de leurs auteurs et n’engagent qu’eux-mêmes.

Pour contacter l’AFIAPrésidentMichèle SEBAGL.R.I., Bât. 490, Université Paris-Sud,91405 ORSAYTel : +33 (0)1 69 15 76 02Fax : +33 (0)1 69 15 65 [email protected]://www.lri.fr/~sebag

Serveur WEBhttp://www.afia-france.org

Adhésions, liens avec les adhérentsMarie-Carol LOPESLRI, Bâtiment 490Université Paris-Sud91405 ORSAYMél. : [email protected]

Membres d’honneurMarie-Odile Cordier (1999), Jean-Paul Haton (1999), Jacques Pitrat (1999),Jean-Marc David (2000), Daniel Kayser (2000), Claude Vogel (2000), Henri

Farreny (2001), Alain Colmerauer (2002), Jean-Louis Laurière (2002), GérardSabah (2003), Jean-Claude Latombe (2004), Yves Kodratoff (2004), Malik

Ghallab (2005), Marie-Christine Rousset (2005), Christian Bessière (2006), LuisFarinas del Cerro (2006), Pierre Marquis (2009), Jérôme Lang (2009).

Personnes morales adhérentes à l’AFIAINRIA Sophia-Antipolis, SWETS, Université Paris 9 - Dauphine, LSTI, Keonys.

Bureau de l’AFIA

Michèle Sebag, présidentEunika Mercier-Laurent, vice-présidentOlivier Boissier, secrétaireMarie-Carol Lopes, trésorierComité :Patrick ALBERT, Frédéric ALEXANDRE, Flavien BALBO, Olivier BOISSIER, Ni-colas BRODU, Vincent CORRUBLE, Serge DUPUY, Vincent LEMAIRE, EunikaMERCIER-LAURENT, Philippe MORIGNOT, Jean-Denis MULLER, Gérald PETIT-JEAN, Anne-Laurence PUTZ, Marc SCHOENAUER, Michèle SEBAG.

Philippe MorignotRédacteur en chefCEA-LIST18, route du panorama, B.P. 6,F-92265 [email protected]

Brigitte GrauRubrique « Sommaire des re-vues »LIMSI - CNRSB.P. 133, 91403 ORSAY [email protected]

Marc-Philippe HugetRubrique « Petites an-nonces »Polytech’Savoie-LISTICUniversité de Savoie, B.P.80439, 74944 [email protected]

Nicolas LachicheRubrique « Résumés de thèseet HDR »LSIIT - UMR7005Pôle API, Bd. Sébastien Brant,B.P. 10413, 64712 Illkirch [email protected]

Laurence CapusRubrique « I.A. au Québec »Dept. d’Informatique et deGénie LogicielUniversité Laval, Québec, [email protected]

BULLETIN DE L’AFIA2 numéro 70 — Juillet 2010

mailto:[email protected]

http://www.lri.fr/~sebag

http://www.afia-france.org








ED

ITO

RIA

L Préparation de la Plate-forme AFIA 2011

Ce numéro d’été contient les rubriques auxquelles nos lecteurs sont maintenant habitués : Brigitte Grau(LISMI) nous propose le sommaire des revues, et Laurence Capus (Université de Laval), remplaçant NicoleTourigny, nous donne des nouvelles de l’I.A. au Québec.

Marie Calberg-Challot (ONOMIA) nous propose un compte-rendu de la 4e édition de la conférence “Termi-nologie et Ontologie : Théories et applications”, tenue du 2 au 4 juin 2010 à Annecy.

Olivier Sigaud (UPMC) nous offre une synthèse du sous groupe "Robotique et Apprentissage" au sein dugroupe "Méthodologie" du GDR Robotique.

Frédéric ALexandre (LORIA) nous offre une synthèse de l’atelier de réflexion "Prospective Interdisciplinaireen Réseau pour les Sciences et Technologies Cognitives" (PIRSTEC), qui résume quarante réunions de travailtenues sur plus d’un an.

Gérald Petitjean (EURODECISION et Responsable communication coté industrie) nous propose une suite audossier "I.A. et Industrie" qu’il a coordonné dans le numéro 63 (octobre 2006) et suivants.

Raphael Fonteneau (univ. Liège) remporte le prix du meilleur article à la conférence CAP’10, et nous offre unrésumé de son travail.

Comme tous les deux ans, après la plate-forme AFIA de 2009 tenue à Hammamet en Tunisie, la nouvelleédition de la Plate-forme AFIA http://www.afia-france.org/tiki-index.php?page=plate-forme+

AFIA+2011 aura lieu mi-2011. Jean-Denis Muller (CEA-LIST) dirige son organisation et une date ainsi qu’unlieu ont été fixés pour son déroulement : du 16 au 21 mai 2011 à Chambéry. Cette plate-forme réunira lesconférences RJCIA’11 (Rencontres des Jeunes Chercheurs en Intelligence Artificielle), CAP’11 (Conférenced’Apprentissage) et IC’11 (Ingénierie des Connaissances) et est ouverte à toute autre conférence I.A. (ledossier de partenariat est disponible sur le site). Sont prévus un musée de l’I.A., des démonstrations d’entre-prises, ainsi qu’une grande première : une journée grand public. Réservez dès à présent ces dates dans vosagendas !

Rappellons également l’adresse du site de l’AFIA, rempli de ressources relatives à l’I.A. (e.g., transparents decours) et d’événements :


Ce site est ouvert à tous : s’y inscrire prend 30 secondes.

Si vous, cher lecteur, avez un texte dont vous pensez qu’il pourrait intéresser la communauté française d’I.A.(hors articles scientifiques, publiés dans d’autres forums), n’hésitez surtout pas à nous le faire parvenir : nousserions ravi de le publier et de le diffuser ainsi en une fois à nos lecteurs. Ainsi sont les bienvenus : recensionsde livre, comptes-rendus de conférence, présentation de votre laboratoire, rapports sur vos activités (habituel-lement remis à vos financeurs ou à vos évaluateurs comme l’AERES), point de vue fort dont vous souhaiterieztester l’audience, etc.

Philippe MorignotRédacteur en chef du Bulletin de l’AFIA

BULLETIN DE L’AFIA

numéro 70 — Juillet 2010 3

http://www.afia-france.org/tiki-index.php?page=plate-forme+AFIA+2011

http://www.afia-france.org/tiki-index.php?page=plate-forme+AFIA+2011


PRÉSENTATION DE LABORATOIRES

Présentation de laboratoires dans le bulletinde l’AFIA

LIFIA, Grenoble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°1LRI, Orsay . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°1Service Systèmes Experts, Renault . . . . . . . . . . . . . . . . . . . . Bulletin n°1CEDIAG, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°2CERT, ONERA, Toulouse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°2IRIT, Toulouse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°2LAAS, Toulouse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°2HEUDIASYC, UTC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°3IFP, Rueil Malmaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°3DIAM, INSERM U194 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°3Lab. Math. Info., Fac Médecine de Marseille . . . . . . . . . . Bulletin n°4GMD, St. Augustin (RFA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Bulletin n°4ONERA, Chatillon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°4KSL, Université de Stanford (USA) . . . . . . . . . . . . . . . . . . . . .Bulletin n°5Dépt Applications de l’IA au CNET, Lannion . . . . . . . . . . Bulletin n°5LAFORIA, Univ. Pierre et Marie Curie . . . . . . . . . . . . . . . . . Bulletin n°6L’institut FAW, ULM (RFA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°6Institut IIIA, Compiègne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°6LAIR, OHIO State University (USA) . . . . . . . . . . . . . . . . . . . . Bulletin n°7ARAMIIHS, Labo mixte MATRA-CNRS, . . . . . . . . . . . . . . . Bulletin n°7CEA, Service SERMA, Saclay . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°8Société ILOG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°8LAIAC, Université de Caen . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Bulletin n°9Institut Français du Pétrole . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°10DFKI (Centre allemand de recherches en IA) . . . . . . . . Bulletin n°11GRTC, Marseille . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°11Inst. d’Analyse des Systèmes, Ac. Russe . . . . . . . . . . . . . . Bulletin n°12Georges Mason Univ., Center for AI (USA) . . . . . . . . . . . Bulletin n°13IRISA, INRIA et Université de Rennes . . . . . . . . . . . . . . . . Bulletin n°13Société INGENIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°14LIPN, Université de Paris Nord . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°14Institut EURISCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°15LRDC, Université de Pittsburgh (USA) . . . . . . . . . . . . . . . Bulletin n°15Société ISOFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°16Dépt. d’Info de l’Université d’Ottawa . . . . . . . . . . . . . . . . Bulletin n°16Equipe CHM, Université du Colorado (USA) . . . . . . . . .Bulletin n°17LIRMM, Montpellier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°19Institut autrichien de recherches en I.A. . . . . . . . . . . . . . Bulletin n°20ENST Bretagne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°21LIA - Université de Savoie . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°22

INRETS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°23IRIN Nantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°24CRIN - INRIA Lorraine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°25DIRO - Université de Montréal . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°26IRIT - Toulouse (1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Bulletin n°28IRIT - Toulouse (2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Bulletin n°29LAAS - Toulouse (1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Bulletin n°30Sony CSL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°31LAAS - Toulouse (2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Bulletin n°32LIMSI - Département CHM . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°33LAMSADE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°34Institut autrichien de recherches en I.A. . . . . . . . . . . . . . Bulletin n°36LIP6 - Université Pierre et Marie Curie . . . . . . . . . . Bulletins n°37/38GREYC - Université de Caen . . . . . . . . . . . . . . . . . . . . . . . . . .Bulletin n°40LIFL - Université de Lille . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°41LRI (équipes IA et IASI) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°43IMAG - Grenoble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°44PSI (Perception, Système, Information - Rouen) . . . . . Bulletin n°45INRIA - Sophia Antipolis . . . . . . . . . . . . . . . . . . . . . . . . .Bulletins n°46/47LIH - Laboratoire d’Informatique du Havre . . . . . Bulletins n°46/47Tech-CICO - Université de Technologie de Troyes . . . Bulletin n°51LIFO - Université d’Orléans - Equipe Contraintes et ApprentissageBulletin n°52LIIA - Ecole Nationale des Arts et Industries de Strasbourg Bulletinn°52LRL - Laboratoire de recherche sur le langage - Université BlaisePascal Clermont 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°53MIG - Mathématique, Informatique et Génome - INRA . . .Bulletinn°53ESIEA Recherche, Laval et Paris . . . . . . . . . . . . . . . . . . . . . . Bulletin n°54Equipe Intelligence Artificielle et Applications (IAA) du Crip5, Pa-ris 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°55LAMIH - Univ. de Valenciennes et du Hainaut-Cambrésis Bulletinn°55Université de Lund . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°58CRIL - Centre de Recherche en Informatique de Lens - Universitéd’Artois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°58LIRIS - Laboratoire d’Informatique en Image et Systèmes d’Infor-mation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bulletin n°60KIN - Knowledge Innovation Center . . . . . . . . . . . . . . . . . Bulletin n°60


I.A. ET ROBOTIQUE

I.A. et Robotique

Prospectivedu sous-groupe de travail « Robotique et apprentissage »

au sein du GT4 (Méthodologie) du GDR RobotiqueRédigé par Olivier Sigaud (UPMC).

Introduction : délimitation du docu-ment

Au sein des travaux portant sur l’apprentissage en robo-tique, on peut distinguer trois grandes composantes :

– la robotique neuro-mimétique, qui met au point desmodèles inspirés de la neurophysiologie des êtres vi-vants et détermine les propriétés de ces modèles surla base d’une implémentation robotique ;

– la robotique développementale, qui s’inspire de lapsychologie du développement pour reproduire surdes robots des capacités d’apprentissage telles qu’onles observe chez les enfants ;

– les travaux visant à appliquer à la robotique des outilsd’apprentissage automatique développés par la com-munauté « Machine Learning » en Intelligence Artifi-cielle.

Les deux premières composantes ainsi que la prospec-tive qui les concerne ont été décrites dans le cadre d’uneréflexion en sciences cognitives (atelier PIRSTEC) portantsur le thème plus général de la robotique cognitive. On neles détaillera donc pas davantage dans ce document, qui seconcentrera sur la troisième composante.

Par ailleurs, on ne traitera pas non plus de l’usage crois-sant des méthodes d’apprentissage dans le cadre de la vi-sion robotique, qui constitue un vaste domaine doté d’uneimportante dynamique propre.

Machine learning appliqué à la robo-tique : situation actuelle

Le développement de méthodes de « Machine Learning» visant spécificiquement les applications robotiques est enplein essor. En témoignent le nombre croissant de « tracks» consacrés à l’apprentissage dans les grandes conférencesde robotique (notamment ICRA et IROS), la croissance pa-rallèle du nombre d’ateliers sur l’apprentissage autour deces conférences et d’ateliers consacrés à la robotique au-

tour des grandes conférences d’apprentissage (NIPS, ICMLet ECML principalement), la tenue de plusieurs écoles d’étéinternationales (en 2007 et 2009), la sortie d’ouvrages, denuméros spéciaux de journaux internationaux ou encore lacréation d’un « technical committee » IEEE sur la question.

Parmi ces travaux, on peut distinguer trois branches :– l’apprentissage par imitation permet d’apprendre au

robot à accomplir une tâche après lui avoir fourni desexemples de réalisation de cette tâche, soit en le gui-dant physiquement, soit en utilisant des enregistre-ments de la réalisation de cette tâche par autrui ;

– l’apprentissage par renforcement vise à doter le robotde mécanismes lui permettant d’optimiser peu à peuune mesure de sa performance sur la base de ses in-teractions avec son environnement ;

– l’apprentissage supervisé permet de constituer parl’expérience des modèles d’interaction entre le robotet son environnement, ce qui revient à faire de l’iden-tification dans un cadre élargi. Lorsque le contrôleurdu robot est bâti sur de la commande basée modèleet que les modèles sont obtenus par des outils d’ap-prentissage statistique, on réalise une forme de com-mande adaptative avec des modèles généralementnon-paramétriques.

La première branche est de loin celle qui donne les ré-sultats les plus spectaculaires aujourd’hui. Cependant, elleest limitée méthodologiquement par la nécessité de four-nir au robot des instances des comportements à produire,ce qui n’est pas toujours facile en pratique. Pour ce qui estde la communauté française, on ne peut qu’être frappé del’absence quasi-totale de travaux sur ce terrain.

L’approche fondée sur l’apprentissage par renforcementbénéficie à l’heure actuelle d’un effort considérable sur lesoutils théoriques pour traiter des espaces d’état et d’actioncontinus, ce qui permet de rejoindre le cadre de la com-mande optimale, très présent en robotique.

Quant à l’approche fondée sur l’apprentissage super-visé, elle s’appuie sur les développements théoriques ré-cents des méthodes d’apprentissage statistique qui per-mettent d’appprocher efficacement des fonctions com-



I.A. ET ROBOTIQUE

plexes dans des espaces de grande taille. Longtemps can-tonnée à l’apprentissage de modèles des robots (modèlesgéométriques, jacobienne, modèles dynamiques, directsou inverses), ces méthodes gagnent en maturité et com-mencent à être appliquées dans le cadre de l’interactionphysique avec des objets inconnus ou avec des humains.

Enjeux d’avenir

Axes de développement

Sur le plan méthodologique, on peut souligner deuxgrandes tendances dans les travaux les plus récents :

– tout d’abord, de plus en plus de travaux combinentapprentissage par imitation et apprentissage par ren-forcement, qui ont des propriétés complémentaires :le premier permet de guider l’exploration nécessaireau second afin d’éviter une recherche trop longue descomportements adéquats, tandis que le second per-met d’étendre le champ d’application du premier audelà des seuls comportements qui ont été fournis aurobot ;

– ensuite, on assiste à une interaction de plus en plusétroite et fructueuse entre les méthodes d’apprentis-sage (en particulier statistique) et les méthodes lesplus avancées de la commande robotique basée mo-dèle (cascades de problèmes d’optimisation, planifi-cation dans l’espace des configurations, commandedans l’espace opérationnel...). Sur le plan fondamen-tal, les relations parfois étroites entre les formalismesmathématiques qui sous-tendent ces deux domaines

de recherche sont de mieux en mieux compris, ce quifacilite les échanges croissants entre les chercheursdes deux communautés.

Champs d’application émergents

Par nature, les méthodes d’apprentissage trouvent l’es-sentiel de leur intérêt applicatif dans les champs d’applica-tion où l’interaction entre le robot et son environnement estdifficile à modéliser a priori. On distingue alors principale-ment deux types d’interaction qui présentent cette caracté-ristique :

– l’interaction avec les personnes, qu’elle soit physiqueou cognitive, rend la modélisation a priori difficile,compte tenu de la variabilité du comportement desindividus ;

– l’interaction avec les objets inconnus. On est alorsdans le cadre de la manipulation robotique. En par-ticulier, la manipulation dextre avec des mains ro-botiques polyvalentes offre un cadre d’applicationde premier choix pour l’apprentissage supervisé, oùles propriétés de généralisation sont susceptibles dejouer un rôle central, compte tenu de la taille des es-paces dans lesquels s’effectue la commande du robot.

Ces champs d’application sont actuellement en pleinessor avec le déplacement des applications de la robotiqueindustrielle classique (dans lequel l’environnement est en-tièrement contrôlé et modélisé a priori) vers les applica-tions dites « de service », qu’il s’agisse de robotique médi-cale ou paramédicale, de robotique de compagnie ou de ro-botique ludique, par exemple.


L’I.A. AU QUÉBEC

L’I.A. au Québec

Laurence Capus

C’est avec plaisir que je prends la relève de ma collègue, Nicole Tourigny, pour vous apporter quelques nouvelles duQuébec en intelligence artificielle. Pour ma part, je suis professeure agrégée au Département d’informatique et de génielogiciel de l’Université Laval à Québec. Je suis responsable du cours d’introduction à l’intelligence artificielle pour notreBaccalauréat en informatique. J’assure également un cours aux études graduées sur la conception des systèmes intelli-gents. Mes travaux de recherche portent sur les méthodes, les outils ou techniques permettant d’améliorer la conceptiondes systèmes intelligents, et plus particulièrement ceux utilisés dans des contextes éducationnels.

Pour cette première fois, je vous présente le Laboratoire d’Informatique des Systèmes Adaptatifs (LISA) de l’Universitéde Montréal, ainsi que le groupe de recherche Astus de l’Université de Sherbrooke. Je vous présente également les travauxde recherche de Philippe Giguère, nouveau professeur à l’Université Laval à Québec.

Le laboratoire de recherche LISA en bref

Le LISA (http://www.iro.umontreal.ca/~lisa/)travaille à comprendre les principes de l’intelligence etde l’apprentissage, afin de faire progresser les algorithmesd’apprentissage et l’IA. L’acquisition des connaissancescomplexes nécessaires à l’IA passe par l’apprentissage defonctions complexes, avec de nombreux facteurs de va-riations, à partir de données en haute dimension ; c’est leprincipal défi de l’apprentissage machine pour l’IA.

Les architectures profondes, composées de plusieurscouches de traitement, qui créent des représentations suc-cessives, permettent de paramétrer de manière compactedes fonctions complexes, variant fortement. L’équipe duLISA explore diverses méthodes pour entraîner des modèlesprofonds, basées notamment sur un pré-entraînementnon supervisé (machines de Boltzmann restreintes, auto-encodeurs).

Le pré-entraînement non-supervisé permet, de plus,d’utiliser des données non supervisées, souvent disponiblesen grandes quantités (texte, images et vidéos sur Internet,notamment). Les représentations ainsi apprises peuventservir à différentes tâches supervisées (apprentissage mul-titâches). L’entraînement progressif de couches de plus enplus profondes permet d’apprendre des représentations deplus en plus abstraites de l’entrée, et de séparer les facteursde variations présents dans les données.

Enfin, l’équipe du LISA s’intéresse à l’apprentissageconjoint de données de plusieurs natures (image et texte,

par exemple, ou vidéo et son), ainsi qu’aux manières deguider l’apprentissage de systèmes non convexes par unesorte de curriculum, par exemple en présentant d’aborddes exemples simples, puis de plus en plus complexes. Desavancées dans ces domaines permettraient d’augmenter lacomplexité des connaissances incluses dans des systèmesd’apprentissage, et ainsi de les faire progresser vers l’IA.

Quelques publications du laboratoire de recherche LISA

– Learning Deep Architectures for AI, http://

www.iro.umontreal.ca/~lisa/publications2/

index.php/publications/show/239

– Greedy Layer-Wise Training of Deep Net-works, http://www.iro.umontreal.ca/~lisa/

publications2/index.php/publications/show/

190

– Extracting and Composing Robust Featureswith Denoising Autoencoders, http://www.iro.

umontreal.ca/~lisa/publications2/index.

php/publications/show/217

Le groupe Astus en bref

André Mayers (Ph. D., M. Ps.) est le fondateur du groupeAstus (http://astus.usherbrooke.ca), qui est dédié àla recherche sur les systèmes tutoriels intelligents. Il s’inté-resse à l’ingénierie pédagogique et à la modélisation cogni-tive de l’expert, de l’apprenant, et de leurs interactions. Auniveau fondamental, le groupe Astus, en s’appuyant sur desrecherches en psychologie cognitive et en pédagogie, pro-pose de nouveaux processus et de nouvelles structures dereprésentation des connaissances. Ces derniers permettentde construire des modèles de domaines qui facilitent l’en-



http://www.iro.umontreal.ca/~lisa/

http://www.iro.umontreal.ca/~lisa/publications2/index.php/publications/show/239









http://astus.usherbrooke.ca

L’I.A. AU QUÉBEC

seignement de ces disciplines, le suivi et l’interprétationdes actions de l’élève, ainsi que la conception de rétroac-tions adaptées aux contextes. Au niveau appliqué, il pro-pose un nouveau cadre de travail comprenant des outilslogiciels pour encoder les connaissances d’un domaine etconcevoir une interface intégrée au modèle de connais-sances et permettant au tuteur virtuel d’interpréter les ac-tions de l’apprenant et d’agir d’une façon riche et expressivedans cet environnement. Le professeur Mayers est aussi undes membres fondateurs du groupe ProspectUS (http://prospectus.usherbrooke.ca), un groupe de recherchesur le forage des données.

Quelques publications du groupe Astus

– L. Paquette, J.-F. Lebeau, A. Mayers. AuthoringProblem-Solving Tutors : A Comparison between AS-TUS and CTAT Using the Multi-Columns SubtractionTask Domain. Accepté, In Advances in Intelligent Tu-toring Systems. R. Nkambou, R. Mizoguchi, J. Bour-deau (Eds.), Springer.

– M. Najjar, F. Courtemanche, H. Hamam, A. Mayers.Deepkover | An Adaptive Artful Intelligent AssistanceSystem for Cognitively Impaired People. Accepté,Journal of Applied Artificial Intelligence.

– P. Fournier-Viger, R. Nkambou, A. Mayers. Evalua-ting Spatial Representations and Skills in a Simulator-Based Tutoring System. IEEE Transactions on Lear-ning Technologies, 1 (1), 63-74, 2008.

– P. Fournier-Viger, M. Najjar, A. Mayers, R. Nkam-bou. A Cognitive and Logic Based Model for BuildingGlass-Box Learning Objects. Interdisciplinary Journalof Knowledge and Learning Objects, 2, 77-94, 2006.

– M. Fortin, J.-F. Lebeau, A. Abdessemed, F. Courte-manche, A. Mayers. A Standard Method of Develo-ping User Interfaces for a Generic ITS. Procs of the 9thInternational Conference on Intelligent Tutoring Sys-tems, Montréal, Canada, 2008.

Les travaux de recherche de P. Giguèreen bref

Le professeur Philippe Giguère, du département d’infor-matique et de génie logiciel de l’Université Laval, s’intéresseà la robotique mobile intelligente. Ses recherches visent àfaire le pont entre le domaine plus abstrait de l’apprentis-sage automatique et la réalité physique rencontrée par des

robots mobiles découvrant leur environnement. Plus parti-culièrement, il explore l’utilisation de l’apprentissage non-supervisée en perception tactile, afin d’améliorer la robus-tesse et l’autonomie des déplacements des robots en milieuintérieur et extérieur.

Quelques publications de P. Giguère

– Philippe Giguère et Gregory Dudek. Clustering sen-sor data for autonomous terrain identification usingtime-dependency. Dans Autonomous Robots, Mars2009, pp. 171-186.

– Junaed Sattar, Philippe Giguère et Gregory Dudek.Sensor-Based Behavior Control for an AutonomousUnderwater Vehicle. International Journal of RoboticsResearch (IJRR). Volume 28, No. 6, Juin 2009, pp. 701-713.

– Philippe Giguère et Gregory Dudek. Surface Iden-tification Using Simple Contact Dynamics for Mo-bile Robots. IEEE International Conference on Robo-tics and Automation (ICRA), Kobe, Japon, Mai 12-17,2009, 6 pages

– Philippe Giguère, Gregory Dudek, Christopher Pra-hacs, Nicolas Plamondon et Katrine Turgeon. Unsu-pervised Learning of Terrain Appearance for Automa-ted Coral Reef Exploration. Compte-rendu de la SixthCanadian Conference on Computer and Robot Vision(CRV), Kelowna, Colombie-Britannique, Canada. Mai2009.

– Philippe Giguère et Gregory Dudek. Clustering SensorData for Terrain Identification using a Windowless Al-gorithm. Compte-rendus de la Robotics Science andSystem (RSS), Zurich, Suisse, Juin 2008, pp. 25-32.

– Junaed Sattar, Eric Bourque, Gregory Dudek et Phi-lippe Giguère. Fourier tags : Smoothly degradable fi-ducial markers for use in human-robot interaction.Compte-rendu de la Fourth Canadian Conference onComputer and Robot Vision (CRV), Montreal, Que-bec, Canada. Mai 2007, pp. 165-174.

– Dimitri Marinakis, Philippe Giguère et Gregory Du-dek. Learning Network Topology from Simple SensorData. Compte-rendu de la 20ème Canadian Confe-rence on Artificial Intelligence, Montréal, Canada,Mai 2007, pp. 417-428.

– Philippe Giguère, Gregory Dudek, Chris Prahacs etShane Saunderson. Environment Identification fora Running Robot Using Inertial and Actuator Cues.Compte-rendu de la Robotics Science and System(RSS), Philadelphie, U.S.A, Août 2006, pp. 271-278.

Si vous avez des questions, il me fera plaisir d’y répondre. Vos commentaires seront également appréciés.


http://prospectus.usherbrooke.ca

http://prospectus.usherbrooke.ca

L’I.A. AU QUÉBEC

Au prochain numéro,

Laurence Capus, Ph.D., professeure agrégéeDépartement d’informatique et de génie logicielFaculté des sciences et de génie1065, avenue de la MédecineUniversité LavalQuébec, G1V 0A6Courriel : [email protected]

Du coté des éditeurs ...

Voici quelques livres que nous avons reçus : si vous êtes intéressé d’en obtenir un exemplaire de l’un d’entre eux, pourrédiger une recension, envoyer un email à l’un des membres du comité de rédaction (voir page 2).

– Pascal Van Hentenryck, Russel Bent. Online stochastic combinatorial optimization. MIT Press, December 2006.– Philip Husbands, Owen Holland, Michael Wheeler (eds.), The Mechanical Mind in History. MIT Press, 2008.

L’AFIA recrute

Nous recherchons une personne qui pourrait tenir la rubrique « Présentation de laboratoires » pour le Bulletin del’AFIA. Cette personne fera partie du Comité de Rédaction du Bulletin, et devra être capable de joindre des

chercheurs/enseignants/ingénieurs dans les mondes académiques ou industriels, afin de récolter une présentationde laboratoire tous les 3 mois. Toute personne intéressée est invitée à envoyer un courrier électronique à l’un des

membres du comité de rédaction du Bulletin (voir page 2).




DOSSIER I.A. ET INDUSTRIE (3)

Dossier I.A. et Industrie (3)

Préparé par Gérald Petitjean (EURODECISION).

SYNOMIA

Contacts

SYNOMIA3, rue Nationale, 92100 Boulogne BillancourtTel 01 46 10 06 40www.synomia.fr

Contact : [email protected], directeur gé-néral

Présentation de Synomia

Synomia a été fondée en août 2000 par Philippe Aït Ya-hia et Martin Grosjean, qui ont été rejoints par Sophie Ne-gropontes. Les trois associés sont les actuels dirigeants de lasociété qu’ils ont capitalisée à hauteur de 3 millions d’euros,sans recourir à un financement extérieur en capital. Avecl’ensemble des 20 salariés, ils détiennent 100 % du capitalde la société.

Avec plus de 300 clients et 500 sites web équipés, Sy-nomia est le leader français du marché des moteurs derecherche pour site Internet. Diversité sectorielle et no-toriété caractérisent notre portefeuille clients parmi les-quels figurent : EDF, Renault, Airbus, Orange, Veolia, Da-none, La Poste, Axa, Legrand, Merck Frost, Oséo, le Minis-tère de l’Economie, de l’Industrie et de l’Emploi, l’ADEME,le Conseil Régional Ile de France, Libération, Doctissimo,TV5, . . .

Les solutions Synomia reposent sur une analyse appro-fondie des contenus en ligne, réalisée par une suite d’outilsd’analyse de contenu générant un réseau dense et struc-turé de mots et expressions extraits du contenu du site.Cette technologie d’analyse syntaxique et de modélisationsémantique a été développée et brevetée dans le cadre d’unpartenariat exclusif entre Synomia et le CNRS. Notre tech-nologie a été saluée par l’ensemble de l’industrie pour saperformance en se plaçant en première place dans le cadrede la campagne d’évaluation EASY.

L’offre produit/services de Synomia est double :

1. Moteurs de recherche sémantiques et solutions denavigation contextuelles pour site Internet en modeSaas

Synomia propose aux acteurs de l’Internet des inter-faces de recherche et d’accès à l’information plus in-tuitives et plus efficaces, qui, en facilitant la consul-tation des contenus sur leurs sites, leur permettentd’optimiser leurs campagnes de marketing et de com-munication et d’accroître immédiatement leurs tauxde transformation, leurs ventes en ligne et leurs reve-nus publicitaires.

2. Outils d’ingénierie des connaissances

A partir des interfaces d’administration associées àses propres applicatifs de navigation sur site Web, Sy-nomia a développé un atelier autonome complet deconstruction, enrichissement et maintenance de ré-férentiels terminologiques ou ontologiques à partirde textes, exploitant comme données initiales l’en-semble des résultats extraits par sa suite d’outils lin-guistiques. La gamme des applications informatiquesexigeant le recours à ce type de ressources est trèslarge : ontologie pour le web sémantique, thesauruspour l’indexation, référentiel métier pour système degestion de l’information, etc.

L’offre dans ce segment s’articule autour de deux suiteslogicielles :

– Synomia Text Analytics Suite (STAS), une suite com-plète d’outils linguistiques d’analyse de textes entiè-rement intégrée, pour le français et pour l’anglais.Cette suite comprend en particulier un analyseur syn-taxique robuste à large couverture pour chacune deces 2 langues.

– Synomia Terminology Ontology Workshop (STOW) :une plate-forme complète de modélisation desconnaissances à partir de textes, pour la construction,la maintenance et l’enrichissement de ressourcestermino-ontologiques, qui exploite les résultats desoutils de la suite linguistique STAS. Cette plateformeest constituée de différents ateliers, correspondantchacun à un type applicatif bien identifié.


www.synomia.fr



Types de prestations proposées :

1. La gamme de solutions de recherche et de navigationpour site web en mode Saas :– Site Search : moteur de recherche pour site, 100– Site Index : l’index thématique automatique du

contenu d’un site– Smart Link : solution de poursuite de lecture auto-

matisée– Smart Cloud : solution de taggage automatisé pour

la poursuite de lecture

2. La gamme d’outils d’ingéniérie des connaissances2.1 - Synomia Text Analytics Suite– Reconnaissance d’entités nommées (avec et sans

dictionnaire)– Lemmatisation et étiquetage– Stemmatisation– Analyse syntaxique large et profonde– Extraction automatique de réseaux de termes

(structuration en dépendance)– Analyse contextuelle de similarités des termes

(concurrence de premier ordre, analyse distribu-tionnelle de deuxième ordre)

– Extraction de synonymes– Clustering de termes– Extraction de patrons sémantico-syntaxiques2.2 - Synomia Terminology Ontology Workshop (Ate-lier d’analyse termino-conceptuelle)– Atelier de construction de référentiel terminolo-

gique (réseau structuré de termes et concepts, e.g.ontologie pour le Web sémantique, thésaurus pourl’indexation automatique, thésaurus pour l’indexa-tion contrôlée, référentiel métier pour la gestiondes connaissances en entreprise, etc.)

– Atelier d’indexation contrôlée ou d’annotation sé-mantique assistée de documents

– Atelier de mise au point de patrons d’extraction,pour l’indexation ou l’annotation automatique dedocuments, le peuplement d’ontologies et la re-cherche d’information.

– Atelier de validation et d’adaptation d’une ontolo-gie à un domaine particulier de connaissances

– Atelier de découverte de synonymes propres à undomaine (pour l’expansion automatique de re-quête dans un moteur de recherche, l’enrichisse-ment d’ontologie, etc.)

– Atelier d’analyse terminologique comparative decorpus (présence/absence de mots ou expres-sions, fréquences relatives, variations des contextesd’usage) pour la veille compétitive.

– Atelier d’aide à la construction de ressources termi-nologiques multi-lingues à partir de corpus alignés

– Atelier de construction d’un index thématiqued’une collection de documents

Mots clés associés :

Classification Automatique, Indexation Contrôlée, Réfé-rentiels pour Systèmes-experts, Analyse de données, Fouillede données, Extraction de connaissances, Synthèse auto-matique, Ingénierie des connaissances, Knowledge mana-gement, Moteurs de recherche, Web sémantique, Ontolo-gies, Traitement du langage naturel, SEO, Systèmes à basede règles, Business Rules et BRMS, Competitive Intelli-gence, Business Intelligence

ATEJI

Des informations générales :

ATEJI14 rue Soleillet75020 Pariswww.ateji.com

[email protected]

Une présentation succincte de la société (historique, édi-teur / services et/ou conseil, secteur(s) d’activité, clients,effectif, . . .

Ateji a été fondée en 2005 pour développer et commer-cialiser des extensions de langages adaptés à de nombreuxdomaines d’applications. L’extension de langages, qui com-bine le meilleur des APIs et des langages spécialisés, offredes gains de productivité de l’ordre de 50 % ainsi que d’im-portants gains de qualité, en permettant au développeur demanipuler directement les concepts dont il a besoin au bonniveau d’abstraction.

Avoir les bons concepts de façon explicite dans le lan-gage permet de remonter l’« intelligence » vers les outilsde programmation, permettant par exemple l’optimisationde code de haut niveau ou le debug à travers plusieurs ni-veaux conceptuels. La combinaison des extensions permetd’échapper au syndrome de la tour de Babel en architectu-rant les applications autour d’un langage et d’un ensembled’outils unique (pour l’instant, Ateji s’appuie sur l’écosys-tème Java).

Ateji, basée à Paris, a présenté son premier produit enNovembre 2007, et démarre une phase de croissante orga-nique rapide avec l’entrée de nouveaux investisseurs. Nosclients sont des sociétés de consulting en optimisation ou



www.ateji.com



des équipes dédiées à l’optimisation au sein de grandsgroupes à travers le monde.

Une description des activités liées à l’Intelligence Artifi-cielle et à l’Aide à la Décision :

OptimJ, présenté en Novembre 2007 à la conférence In-forms, est un langage de modélisation algébrique dans latradition de AMPL, GAMS ou OPL. Son originalité est qu’ilest conçu sous la forme d’une extension du langage Java.Il permet d’exprimer les modèles d’optimisation (program-mation linéaire et/ou programmation par contraintes) defaçon aussi simple et concise que les langages dédiés, touten étant directement interopérable avec l’écosystème Java(projets existants, librairies, composants et outils de déve-loppement). OptimJ se présente sous la forme d’un pluginEclipse et met ainsi l’état de l’art des environnements de dé-veloppement à la portée de la communauté de l’optimisa-tion.

Cette conception permet d’augmenter grandement laproductivité et la qualité des projets de développementmettant en oeuvre des techniques d’optimisation. Nosclients font état de temps de développement divisés pardeux.

OptimJ fournit aussi des notations puissantes etconcises pour la manipulation de collections de données,qui s’avèrent très utiles pour la vérification et la mise enforme des données avant la résolution d’un problème ainsique pour des analyses de résultats de type statistique ouaide à la décision.

Des whitepapers plus détaillés sont disponibles sur lesite www.ateji.com ; où il est aussi possible de téléchargerune version d’évaluation d’OptimJ.

Ateji est ouvert à des propositions de partenariat danstous les domaines où le langage peut avoir un rôle à jouer,par exemple pour permettre d’exprimer explicitement descoupes ou des symétries, des stratégies de recherche, oud’autres concepts importants identifiés.


www.ateji.com

PIRSTEC - PROSPECTIVE EN SCIENCESET TECHNOLOGIES COGNITIVES

PIRSTEC - Prospective en Sciences etTechnologies Cognitives

Résumé des conclusions principales de l’Atelier de Réflexion Prospective PIRSTECsur les Sciences et Technologies Cognitives, sélectionné et financé par l’ANR en 2009Présenté par Frédéric Alexandre (LORIA-INRIA), membre du comité de rédaction.

L’ensemble des documents est accessible sur le site (http: // pirstec. risc. cnrs. fr )

Présentation

L’atelier de réflexion prospective PIRSTEC « ProspectiveInterdisciplinaire en Réseau pour les Sciences et Technolo-gies Cognitives », sélectionné et financé par l’ANR (Départe-ments STIC, Biologie-Santé et SHS), s’est déroulé du 1er Oc-tobre 2008 au 31 Décembre 2009. Au cours de cette période,et suite à un appel à propositions lancé par PIRSTEC fin no-vembre 2008, un ensemble d’ateliers et réunions prospec-tives, financés ou co-financés par PIRSTEC, ont été organi-sés partout en France sur des thématiques très diverses. Cesréunions (environ 40) ont eu des formats variés - réunions «fermées » avec des participants invités, réunions sous formede colloques ou de séminaires, réunions de travail ouvertesà tous. Chacune de ces réunions a fait l’objet d’un rapportécrit, mis en ligne et libre d’accès sur le site Internet réa-lisé par PIRSTEC (http://pirstec.risc.cnrs.fr) ; unesynthèse de ces documents a été rédigée par les respon-sables d’ateliers, dits pilotes, choisis par le comité de pilo-tage de PIRSTEC en fonction de la pertinence thématiqueet de l’envergure des ateliers. Enfin, des réunions ont étéorganisées ou suscitées afin d’informer et mobiliser des ac-teurs de la recherche ou du monde industriel qui n’avaientpas été immédiatement identifiés, et pour discuter et défi-nir des moyens de fluidifier le dialogue avec ces partenaires.Cette réflexion prospective a fait l’objet d’un colloque derestitution qui s’est tenu les 22 et 23 Octobre 2009 à Paris.

Ce travail de prospective nous semble d’un intérêt ma-jeur pour les lecteurs de ce bulletin et nous en retranscri-vons ici le travail de structuration thématique qui a été réa-lisé à l’occasion de cet atelier. Nous vous invitons à consul-ter (http://pirstec.risc.cnrs.fr) l’intégralité du do-cument de synthèse pour y trouver également une présen-tation du domaine, un ensemble de préconisations et uncertain nombre d’annexes thématiques. Sur ce même site,tous les matériaux bruts récoltés lors de cet atelier sont ac-cessibles.

Thématiques & Défis en sciences ettechnologies cognitives

Les thématiques issues de la réflexion prospective ontété organisées en six domaines complémentaires formantun ensemble cohérent. On peut, en première lecture, dis-tinguer :

1. Un ensemble de questions relatives aux fonctionscognitives fondamentales et à leurs interactions etintégration, ainsi qu’aux technologies cognitives quiutilisent ou alimentent directement ces fonctions.

2. Des questions liées à la cognition sociale, à la com-munication, aux impacts des technologies, média-trices des interactions interindividuelles, sur les fonc-tions cognitives, le langage, et par extension aux inter-actions homme-machine.

3. Des enjeux de formalisation et de modélisation defonctions cognitives complexes indispensables pourcomprendre et simuler ces fonctions et développerdes dispositifs artificiels fonctionnels -robotique, do-motique, transports, etc.- inspirés d’organismes vi-vants et capables d’interagir avec eux.

4. Des enjeux liés aux usages, à l’émergence et au re-nouvellement continu de nouvelles médiations tech-niques entraînant des besoins nouveaux d’ingénieriecognitive.

5. Des enjeux liés à la santé, aux handicaps et aux tech-nologies pour l’évaluation des déficits cognitifs etmoteurs, le diagnostic, le pronostic et la remédiation,ainsi que l’évaluation de leur efficacité.

6. Des enjeux relatifs à l’éducation, aux apprentissagesexplicites et implicites, à la diffusion et à l’accès auxconnaissances (TICE, Internet et extensions).

Plutôt que considérer que les trois premières théma-tiques relèvent de la recherche « fondamentale » et queles suivantes concernent la recherche « appliquée », il faut



http://pirstec.risc.cnrs.fr




noter que ces thématiques forment un continuum où lescontraintes méthodologiques et les enjeux sociétaux de larecherche occupent des parts variables : les recherches pourlesquelles les conditions d’expérimentation sont détermi-nées par le chercheur doivent en effet être articulées, etc’est un défi structurel pour les sciences cognitives, avecdes recherches in situ dans lesquelles le recueil de don-nées expérimentales est fortement contraint, et où les re-cherches sont plus directement liées à des enjeux sociétauxbien identifiés.

Il faut insister ici sur un aspect essentiel de ce pro-gramme : son caractère global. Tel ou tel des items décritsau sein de ce programme en 6 thématiques, et détaillé ci-après, peut correspondre plus ou moins directement à unappel à projets déjà en cours, ou en vue, dans la program-mation de l’ANR. L’important ici est la cohérence du pro-gramme d’ensemble, tant il semble clair que chaque thèmerenvoie intimement et de multiples façons à tous les autres,comme on pourrait en faire la démonstration sur de nom-breux exemples.

Les sections qui suivent présentent ces domaines plusen détail et dégagent des « Défis » spécifiques à chacun.A chaque fois, on présentera le contexte global de ces re-cherches et de ces défis, et il apparaîtra qu’ils font inter-venir, pour tout ou partie, des enjeux de cette « cognitionchaude », en émotions, en incarnation, en situation, miseen avant ci-dessus ? sans minimiser le besoin continu derecherches incrémentales sur des segments cognitifs auto-nomes, cognition « froide », éventuellement « modulariste »,dont les avancées restent indispensables au projet cognitifd’ensemble.

1. Fonctions perceptives, cognitives etexécutives

(Ateliers 4, 5, 7, 12, 13, 14 et 15)

Les fonctions perceptives - et notamment les plus di-rectement concernées par les technologies cognitives mul-timédia : vision, audition et toucher, ne fonctionnent pasindépendamment les unes des autres, et forment une per-ception multimodale réalisée dans des contextes attention-nel, motivationnel, décisionnel, mémoriel et émotionnelqui la guident et la modulent. Cette perception multimo-dale contextuelle est couplée à des systèmes moteurs - oeil,tête et corps, impliquant action, motricité, posture, eux-mêmes susceptibles d’être suppléés et augmentés par desoutils techniques - qui modifient en permanence les en-trées sensorielles et les possibilités d’action.

Le langage, faculté cognitive majeure, est lui-même aucarrefour de mécanismes de perceptions, d’actions et d’in-teractions qui règlent en partie son fonctionnement etaident à en délimiter les spécificités. Cette faculté est aussirégie et modulée par des contextes émotionnels, attention-nels, motivationnels dont on découvre à quel point ils par-ticipent à la génération de sens.

Ces constats entraînent des reformulations du ques-tionnement sur ces fonctions cognitives autour de « Défisscientifiques» pour lesquels de nouvelles théories, de nou-veaux paradigmes, de nouveaux modèles qualitatifs maissurtout quantitatifs sont nécessaires, particulièrement dansun contexte d’interfaces Cognition-Technologies.

Défi n°1 - Quels sont les mécanismes d’analyse et desegmentation des scènes perceptives, et les principes decontrôle des systèmes moteurs ?

Segmentation des scènes naturelles et perception 3DL’organisation des scènes visuelles ou sonores implique desprocessus de segmentation, de sélection, d’identificationdes éléments de l’environnement permettant la structura-tion de la perception dans un monde tri-dimensionnel. Untravail de recherche fondamentale est nécessaire pour com-prendre les mécanismes d’extraction et d’identification desinformations visuelles et sonores. Cette question doit êtreétudiée au regard de l’intentionnalité, c’est-à-dire de l’inter-action entre des informations endogènes consécutives auxexpériences mémorisées par l’individu et des informationsexogènes issues de l’interaction avec l’environnement. Unedes difficultés sous-jacentes à l’étude des processus per-ceptifs est la décomposition des caractéristiques élémen-taires des objets en unités perceptives nécessitant des mé-canismes d’intégration multidimensionnelle et multisen-sorielle. Il s’agit ainsi de comprendre l’influence de la fi-nalité comportementale et des mécanismes attentionnels,ainsi que le rôle de la mémoire et des contingences sen-sorimotrices dans la constitution de l’expérience percep-tive. Des mécanismes plus élaborés, qui restent à éluci-der, permettent à partir de données stéréoscopiques ou bi-naurales l’intégration des éléments de l’environnement ausein de scènes perceptives tridimensionnelles. Ces espacespeuvent donner lieu à des représentations qui peuvent êtreréactualisées et utilisées pour la navigation à distance et ladescription des environnements. Les mécanismes cognitifspermettant la constitution et l’utilisation de ces cartes cog-nitives doivent faire l’objet d’investigations spécifiques, enparticulier dans le contexte des technologies innovantes (si-mulateurs, réalité virtuelle ?)

Les applications dans ce domaine concernent les dis-positifs artificiels (rétines artificielles, implants auditifs), lesinterfaces bio-inspirées et les simulateurs. Dans le domaine



des environnements virtuels, les défis concernent la consti-tution d’environnements visuels et sonores améliorant lasensation de présence et d’immersion, les images de syn-thèse comportant un design et un rendu graphique satisfai-sants, les outils de visualisation et de navigation 3D. Pourune utilisation appropriée de ces systèmes, il est nécessaired’évaluer l’impact des latences technologiques sur le com-portement, le point de vue à privilégier, les conditions per-mettant les sensations de confort et de validité écologiqueainsi que l’optimisation des couplages perceptionaction. Sepose également la question du transfert des acquis vers lesenvironnements naturels. Dans le domaine de l’interven-tion thérapeutique se pose la question de la substitution etsuppléance sensorielle et de l’utilisation de bio-feedback.

Nature et émergence des invariants moteurs Malgré unemeilleure compréhension des actes moteurs intentionnels,il reste à identifier les lois de contrôle sensori-moteur misesen oeuvre dans divers contextes à partir des propriétés ciné-matiques et cinétiques des productions motrices. Se posenten outre les questions de l’émergence de la stabilité com-portementale, de l’ontogenèse des lois de contrôle et des in-variants sensorimoteurs et du rôle des conséquences sur lesformes comportementales. Il est ainsi nécessaire de déve-lopper de nouveaux formalismes des relations perception-action s’appuyant sur les notions d’architectures intégréesprenant en compte à la fois les notions d’invariants senso-rimoteurs et de bruit comportemental. Des structures mi-nimales pré-existantes et des relations stabilité-réactivitédeviennent des éléments essentiels de cette réflexion, toutcomme les notions de recyclage des compétences et d’in-novation comportementale. A cela s’ajoute la question durôle des contraintes biomécaniques, physiologiques et si-tuationnelles dans la mise en oeuvre des lois de contrôle.Un autre volet concerne l’apprentissage et en particulier lerôle de l’imitation et de l’imagerie motrice dans l’acquisi-tion de nouveaux comportements.

Défi n°2 - Comment se construisent les relations entreun organisme et son environnement ? Comment sontsélectionnées et contrôlées les interactions perceptuo-motrices dans la boucle intégration-décision-prédiction ?Comment sont-elles modulées par le contexte émotion-nel, situationnel, motivationnel ? Comment sont-elles in-vesties par les mécanismes d’interaction sociale ?

Les applications possibles concernent les modèles ex-perts, la robotique, les assistances pour l’éducation et la ré-éducation dans le domaine de la santé.

Intégration, prédiction et décision Les composantesperceptives et motrices du comportement ne se suffisentpas à elles seules et des modèles intégratifs de ces deux

composantes doivent être envisagés. Il s’agit en particulierde relier les prises de décision de l’organisme aux aspectsintentionnels et aux possibilités d’action, modélisés à par-tir de théories sur l’incertitude. Il existe une véritable spé-cificité de la perception pour l’action qu’il convient de ré-véler, en identifiant les mécanismes de sélection des ré-ponses comportementales et le rôle des prédictions sen-sorimotrices dans leurs composantes efférente et afférente.Dans cette perception active, les interactions entre proces-sus endogène et exogène doivent être mieux compris, ainsique les conséquences cognitives de l’embodiement et descapacités d’énaction. Une attention toute particulière doitêtre portée à l’importance des mécanismes prédictifs dansles processus de sélection et de décision motrices. Il s’agitainsi de replacer la motricité au centre des actes percep-tifs et cognitifs, en posant les bases d’une véritable cogni-tion motrice. Cette approche doit permettre de mieux com-prendre le fonctionnement de la conscience, mais égale-ment d’autres fonctions comme l’agentivité ou l’empathie.

Les applications concernent les systèmes autonomes,les systèmes experts...

Relations perception-action et cognition sociale L’actemoteur doit être vu non pas uniquement du point de vuede l’acteur, mais également de celui de l’observateur quicherche à relier geste et sémantique, gestes et communi-cation en contexte social. Il s’agit ici de comprendre le rôlede la motricité dans la communication sociale, de s’intéres-ser aux formes possibles de coopération motrice ainsi qu’aurôle des séquences gestuelles dans la communication nonverbale, d’étudier la spécificité et le rôle des gestes commu-nicatifs, le rôle de l’imitation dans la mise en oeuvre d’unerelation sociale, ainsi que le rôle de la simulation motricedans l’empathie.

Les applications concernent les systèmes multi-agents,les interactions avec des systèmes artificiels, la rééducationthérapeutique, la robotique humanoïde...

Défi n°3 - Quelles sont les bases génétiques, neurobio-logiques, cognitives du langage humain ? Quelles sont lesspécificités des mécanismes et des fonctions du langage ?

Génétique, neuro(bio)logie, cognition, développementVéritable carrefour entre perception, motricité, mémoire,apprentissage et cognition sociale, le langage - pensé, ex-primé ou écrit - occupe une place centrale et particulièredans la cognition, ouvrant sur de grandes questions fon-damentales. Comment et sur quels substrats génétiques etquels mécanismes et circuits neuronaux sont implémen-tées les fonctions langagières, apparues tardivement aucours de l’évolution ? Peut-on dissocier ou non les com-




posantes spécifiques du langage de composantes plus gé-nérales du système cognitif, dans la phylogenèse, dans ledéveloppement, dans la cognition adulte et mature, dansles dysfonctionnements et les pathologies ? Progresser surces questions permettra de faciliter l’apprentissage, le dé-veloppement et la maîtrise des fonctions du langage, et demieux diagnostiquer, soigner, compenser et rééduquer sestroubles et perturbations.

Prosodie, intonation, gestuelle, posture, mouvementset expressions faciales participent au sens exprimé par lelocuteur en situation, dans une interaction multimodale,dynamique et complexe avec la syntaxe, le lexique et lagrammaire, générés dans un contexte donné. Comprendreces interactions est au coeur de problématiques nouvelles,rendues saillantes par l’introduction de technologies del’oral et de l’écrit qui sont largement « aveugles » à cettecomplexité. Les fonctions langagières peuvent être étudiéesdans toute la panoplie de l’environnement cognitif, de l’ex-périmentation « in vivo » avec les outils classiques et nou-veaux de la (neuro)(psycho)linguistique, à l’élaboration denouvelles théories et de nouveaux outils de simulation et demodélisation, exploitant les nouvelles technologies pour enélaborer de nouvelles, mieux adaptées au traitement auto-matique du langage naturel.

Relations entre langage et cognition en contexte naturelCes relations doivent également être étudiées « in situ», fairel’objet de nouveaux paradigmes, être immergées dans lessituations réelles et spontanées d’usages du langage horsdu laboratoire : linguistique de terrain, pragmatique, per-mettant de constituer et étudier des corpus recueillis en si-tuation, riches du contexte d’interaction (corporalité, mo-tricité, mémoire, raisonnement / contexte pragmatique etémotionnel / situated linguistics) dans lequel s’énonce lediscours.

Défi n°4 - Comment utilisons-nous nos capacités cog-nitives et langagières pour communiquer et interagir, etconstruire des systèmes interactifs adaptés ?

Utiliser les nouvelles technologies de l’information etde la communication pour les développer Depuis plusd’un siècle, les technologies (radio, téléphone, télévision,Internet, web marchand, téléphone mobile, ordinateursportables, GPS) modifient en profondeur les communi-cations interpersonnelles. Améliorer les systèmes de dia-logue, homme-machine et homme-machinehomme im-plique que les technologies comprennent le sens et les in-tentions des locuteurs. Doter les technologies des capacitéshumaines de traitement de la langue -raisonner et s’émou-voir, utiliser les non-dits, les présupposés communicatifs,les aspects pragmatiques et sémantiques implicites dans

le discours- et des moyens d’une restitution de leur pro-duction (synthèse multimodale, agents conversationnels,systèmes de dialogue), qui soit intuitive pour l’utilisateur,est un défi théorique, conceptuel, logiciel et technologiqueconsidérable. Relever ce défi requiert, là encore, un effortcoordonné de disciplines diverses, le partage de conceptset d’une langue ( !) commune et comprise par chacun, ainsique des efforts structurels d’équipements lourds permet-tant un travail collaboratif à distance sur des corpus parta-gés. Mettre les technologies cognitives au service de la re-cherche sur ces mêmes technologies parait indispensable,et demande un engagement fort pour la recherche.

2. De la cognition individuelle à la cog-nition sociale

(Ateliers 6, 9 et 31)

La cognition contextuelle et énactive d’un individu estimmergée dans un champ d’interactions sociales qui la fa-çonnent. Étudier et comprendre les processus à l’oeuvreest devenu un enjeu d’autant plus fondamental que la dif-fusion et l’usage croissant des technologies « cognitives »en font des technologies « socio-cognitives » induisant descomportements techno-sociaux nouveaux. Internet et télé-phonie mobile tissent un réseau d’interactions où collabo-rations, coopérations, décisions, croyances et opinions sedéveloppent dans une spatio-temporalité nouvelle et où leseffets d’échelle sont encore mal évalués et peu compris -entre autres par les acteurs eux-mêmes (cf. FaceBook).

L’expression des fonctions cognitives individuelles estmodulée, formée ou induite par la présence et les actionsd’autrui ; un ensemble de compétences cognitives « dédiées» à cette cognition sociale est acquis grâce à et dans cette in-teraction : identité, confiance, morale, empathie, langage,etc., comme l’attestent, en creux, les pathologies de la cog-nition sociale (l’autisme par exemple).

De façon remarquable, les interactions sociales incar-nées - interactions en présence de l’autre - qui prévalaientavant la diffusion des technologies modernes sont associéesà, et partiellement remplacées par, des interactions socialesdésincarnées - interactions à distance, où le langage, écritet parlé, occupe une place centrale. Au vu des développe-ments scientifiques récents soulignant le rôle de la motri-cité et de la communication non-verbale dans les inter-actions interindividuelles, les technologies socio-cognitivesintroduisent des modifications profondes.

Les conséquences et les apports de ces transformationssur la cognition sociale ne sont pas aisément prédictibles etdoivent faire l’objet de recherches extensives et intensives. Il



faut à ce sujet remarquer que les technologies sociales sontdans une phase dynamique de diffusion et d’appropriationoù coexistent des usages diversifiés induisant de larges dif-férences interindividuelles qui, en retour, complexifient etaffectent la cognition sociale.

De cette cognition émerge une cognition collective au-tonome, constituant des processus de décisions collectives,de coopération, de collaboration où les savoirs, objectifs etcompétences sont distribués. Il ne fait pas de doute queles technologies « socio-cognitives » transforment en pro-fondeur ces processus. Là encore, il paraît indispensable decomprendre les mécanismes fondamentaux en jeu dans lacognition sociale « naturelle », humaine ou animale, pourapprécier, par contraste, les effets d’une cognition techno-sociale, filtrée ou augmentée par des dispositifs techniquesqui bouleversent l’espace-temps du sujet.

Avancer sur ces questions facilitera en retour le dévelop-pement d’agents artificiels en interaction avec d’autres ouavec l’homme (robots sociaux par exemple).

Sur la base de ces constats, quelques défis majeursémergent :

Défi n°5 - Peut-on faire dériver des capacités d’inter-actions sociales humaines de capacités cognitives indivi-duelles ou de mécanismes d’interactions animales pré-existants ? Peut-on définir les bases cognitives et géné-tiques des pathologies de la cognition sociale ?

Cognition animale individuelle et sociale / Construc-tion des croyances, cognition morale, culturelle / Prérequis,précurseurs, systèmes noyau, endophénotypes / interrela-tions entre pathologies / Liens entre gênes et comporte-ments / de la psychiatrie à la génétique / Pharmacologie,psychotropes et cognition, altération des fonctions cogni-tives / Evaluation des capacités cognitives, des thérapiescognitives, psychiatrie et neurosciences dégénératives / Lelangage interrogé du point de vue de la cognition sociale /Comportement non verbal, paralinguistique, tacite dans lacommunication.

Défi n°6 - Comment intégrer mécanismes cognitifs in-dividuels et mécanismes d’interaction collective au seinde principes d’interaction sociale réalistes et de systèmessocio-techniques efficaces ?

Morphogenèse des structures sociales, couplage cog-nition individuelle et sociale, co-formation de l’identité etde la structure / Actions collectives instrumentalisées, co-évolutions / Systèmes sociotechniques (robots, web, etc.) /responsabilité, confiance, mutations et médiations cogni-tives / Construction des savoirs collectifs, remises en ques-tion par les technologies.

3. Substrats : Neurosciences, Modélisa-tion et Technologies

(Ateliers 22 et 25, GDR Robotique et GDR Vision)

Lorsque l’on choisit la démarche d’observer ou de réa-liser l’émergence de fonctions cognitives à partir d’un sub-strat, les contraintes que l’on rencontre alors posent un cer-tain nombre de questions qui se révèlent fondamentalespour la compréhension de la cognition. Soulignons de plusque l’implantation sur un substrat permet plus facilementde rendre concrètes (d’opérationnaliser) ces fonctions cog-nitives.

Les substrats peuvent être physiologiques (neuronaux),électroniques (calculateurs, robots, circuits) ou simplementformels (cadres de modélisation, formalismes mathéma-tiques). Les phénomènes pertinents peuvent être observésà partir de mesures diverses (imagerie, électrophysiologie,comportement).

Notons que, ici comme ailleurs, les développementsthéoriques et techniques ne sont pas l’apanage d’un seuldomaine scientifique ; ils se construisent par des échangeséquilibrés entre domaines qui proposent également desvoies et des outils pour y répondre. Pour mentionner unexemple concret, la compréhension des processus de dé-cision est un domaine suffisamment mûr, dont les enjeuxsont suffisamment clairs aujourd’hui pour organiser desprojets où électrophysiologie, neuroscience intégrative, ro-botique, modélisation, économie, psychologie sociale etcognitive contribuent de façon pertinente.

Il s’agit ainsi, et dans ce secteur plus particulièrement,d’associer des domaines « aux frontières de la cognition »(physique, systèmes complexes, théorie de l’information,biologie moléculaire, génétique, étude de processus orga-nisés non cognitifs) et d’être prêts à bousculer les dogmes :le choix de certains formalismes mathématiques peut per-mettre d’aborder certains problèmes cognitifs sans y in-clure a priori les connaissances actuelles des sciences duvivant ou de l’homme. Les redécouvrir ou les relativiser parle développement mathématique ou la simulation ne peutqu’apporter de nouveaux souffles dans ces domaines et po-ser de nouvelles questions.

Défi n°7 - Comment réaliser un système artificiel qui,à partir de compétences initiales simples, développe descapacités cognitives complexes en interagissant avec sonenvironnement ?

Ceci pose la question de l’analyse émotionnelle et motiva-tionnelle de l’environnement Comment, à partir de com-portements réflexes prédéfinis (visant à rechercher certains




signaux, dits de récompense, à définir les buts généraux dusystème et à préserver son intégrité physique), en déduirel’organisation temporelle du comportement (la sélection del’action) en donnant des valeurs émotionnelles ou motiva-tionnelles aux objets et aux événements de son environne-ment ?

Ceci pose la question de la corporéité (embodiement)Comment utiliser son corps pour découvrir les invariantsdu monde en se construisant des boucles sensorimotrices ?Comment construire des comportements complexes surla base de boucles plus simples ? Comment anticiper desactions et des comportements adaptés à la situation pré-sente ?

Ceci pose plus généralement la question de l’autonomieDans un cadre réaliste où le concepteur n’intervient quepour définir l’état initial du système et où les seules inter-ventions ultérieures autorisées sont celles de l’environne-ment (qui peut-être dynamique, voire social), comment gé-rer le flux continu des perceptions (segmenter, étiqueter),comment construire l’architecture adaptée au problèmeposé ? Comment se servir de son architecture interne etde l’environnement pour acquérir graduellement des com-pétences plus complexes sans perdre l’apport des compé-tences préalables ? En quoi les notions de corporéité et demotivation peuvent aider pour dérouler un tel programmedéveloppemental ?

Défi n°8 - Le système nerveux étant un exemple réusside substrat physique support de fonctions cognitives,comprendre ses constituants peut-il permettre de mieuxcomprendre les fondements de la cognition ou de déve-lopper d’autres systèmes physiques dont le fonctionne-ment soit compatible avec le substrat physiologique et sacognition émergente ?

Progresser dans l’acquisition et l’interprétation des me-sures de fonctionnement du système nerveux L’imagerieet l’électrophysiologie ont encore une grande marge de pro-gression, à la fois dans le domaine technique et fondamen-tal. D’un point de vue technique, les différentes approchesdoivent continuer d’améliorer leurs résolutions spatiales ettemporelles, voire associer leurs mesures complémentairesà travers une approche multi-modale. Conjointement, uneapproche fondamentale doit accompagner ces dévelop-pements afin de mieux modéliser les signaux complexesriches mais partiels que fournissent ces différentes tech-niques. Ainsi, pour une meilleure compréhension de cesdonnées, les modèles actuels doivent s’attacher à incorpo-rer plusieurs modalités (fusion), prendre en compte les as-pects dynamiques et non-linéaires des activités cérébrales

en réseau (modèles de connectivité), comprendre la na-ture de la variabilité intra puis inter-individuelle, étayer lesliens entre les différentes échelles spatiales et temporelles(activité neuronale, effet BOLD...). Ces avancées sont cru-ciales pour une meilleure compréhension de la cognitionhumaine mais également pour le développement d’inter-faces cerveau-machine, autrement dit pour développer unecognition artificielle efficace et compatible avec la cogni-tion humaine.

Développer des interfaces cerveau-machine plus intelli-gentes, plus performantes et mieux adaptées à la physio-logie et aux caractéristiques du vivant S’appuyant surnos connaissances en neurosciences cognitives, le domaineen plein essor des interfaces cerveau-machine doit main-tenant se tourner vers une approche pluri-disciplinaire,moins centrée sur les seuls problèmes d’ingénierie. Il doitconsidérer cette interaction du point de vue de l’hommecomme de la machine. Ainsi il devra doter la machine d’unecapacité d’apprentissage et de prise de décision adapta-tive. Cette adaptation pourra venir d’éléments physiolo-giques (choix de la position des électrodes, recherche demarqueurs comme l’attention, stimulation éventuelle, re-tour sensoriel) ou plus comportementaux (temps de trai-tement adapté au comportement, co-adaptation de la pro-thèse, intégration du retour sensoriel, ergonomie de l’inter-face). En retour, les interfaces cerveau-machine devraientapporter de nouveaux types de paradigmes expérimentauxpermettant une recherche nouvelle sur la cognition hu-maine. Enfin, cette recherche plus appliquée, à visée cli-nique ou sociétale, se nourrira toujours de notre meilleureconnaissance du lien entre substrat physiologique et pro-cessus computationnels sousjacents.

Proposer de nouvelles architectures de calcul La com-préhension du calcul neuronal peut suggérer des solutionspour maîtriser de nouveaux modes de calcul sur un sup-port réellement distribué (problèmes du calcul asynchrone,du routage de l’information, de la robustesse, de la modu-larité, de la gestion des entrées/sorties, de la mémoire, deshorloges) qui serait un support électronique à l’émergencede fonctions cognitives.

4. Usages, médiations techniques et in-génierie cognitive

(Ateliers 18, 19 et 20, GDR Psycho-ergo et contributionde l’ARCO)



La présence démultipliée des dispositifs techniquesdans tous les champs de l’activité humaine crée de nou-veaux contextes sollicitant les fonctions cognitives et impli-quant l’ajustement de celles-ci à de nouvelles contraintes.Le besoin de connaissances portant sur les activités cogni-tives sollicitées par les interfaces homme-machine ne peutque s’amplifier. Ces connaissances doivent être un reflet del’activité mentale de l’usager et nécessitent de régulièresmises à jour, surtout dans le contexte créé par le passagede la notion d’interaction à celle de coopération homme-machine. L’approche scientifique des usages doit permettrede dégager des marqueurs qui offrent une certaine perti-nence pour l’amélioration des conditions d’exercice des ac-tivités cognitives complexes. Dans les environnements im-pliquant un haut niveau de médiation technique, il est es-sentiel que les chercheurs en sciences et technologies cog-nitives dépassent une vision qui serait exclusivement tech-nocentrée, au bénéfice d’une approche focalisée sur l’inter-activité entre l’homme et l’artefact, le plus souvent dans uneboucle en temps réel.

Des avancées technologiques d’une signification par-ticulière pour les sciences cognitives se sont manifestéesdans les périodes récentes et sont appelées à prendre uneplace de plus en plus grande dans l’étude de la cognitionhumaine. Il s’agit notamment des technologies de réalitévirtuelle, des technologies liées au recueil de traces numé-riques, des technologies liées aux réseaux, ou encore destechnologies pervasives. Le plongement des situations ex-périmentales classiques dans ce bain technologique a ra-pidement démontré le bénéfice apporté à l’étude du com-portement et de la cognition humaine. Le gain de connais-sance acquis par le chercheur en environnement virtuel estsouvent implicitement supposé transférable à l’environne-ment naturel, mais c’est là une question qui a encore lar-gement besoin d’être validée. D’autre part, ces nouveauxtypes d’environnements - présents dans les secteurs de l’in-dustrie, de la formation, de la remédiation, des loisirs -créent de nouvelles formes d’expériences cognitives qui de-mandent à être analysées pour elles-mêmes, afin de mieuxcomprendre les processus cognitifs responsables d’une in-teractivité efficiente et d’une immersion réaliste. L’immer-sion peut concerner une situation ou même une relationentre un malade et son thérapeute, ou bien entre un appre-nant et l’enseignant, relation où il s’agit de s’accorder surune représentation commune et une compréhension mu-tuelle.

Les technologies évoluent beaucoup plus vite que leurappropriation et que notre compréhension des phéno-mènes qu’elles engendrent. Dans ce domaine, un enjeusupplémentaire est la mutation des environnements vir-tuels vers des environnements augmentés, combinant des

données physiques et numériques et introduisant ainsi denouveaux contextes de mise en oeuvre des activités cogni-tives. Mais le développement de tels environnements né-cessite d’adapter les modes de conception. Jusqu’à peu,chaque technologie développée était testée auprès de po-tentiels usagers avant d’être introduite sur le marché. Ac-tuellement, les usages doivent être intégrés dans les phasesde conception : partant de technologies existantes, l’usa-ger est plongé dans des situations où ses détournementsd’usage, les manques affichés ou les complémentarités ob-servées fournissent les bases de nouvelles fonctionnalités àdévelopper. L’observation, le comportement et l’appropria-tion jouent ici un rôle de premier ordre.

Défi n°9 - Comment les technologies éclairent-elles etcomment transformentelles la cognition humaine ? Com-ment fonctionnent les co-adaptations entre cognition ettechnologies ?

Ce défi pose la question des mutations cognitives oc-casionnées par l’entrée des technologies dans la vie quo-tidienne des individus. Peut-on aller jusqu’à envisager quenous soyons en présence d’une véritable mutation des com-pétences cognitives humaines ?

Il est aussi nécessaire de circonscrire des phénomènesplus subtils, comme le processus de sélection "darwi-nienne" que subiraient les technologies par l’usage effectifque les individus en font dans leur vie quotidienne.

Que peut-on dire des mécanismes cognitifs respon-sables des réponses (adaptées et inadaptées) de l’hommeà l’égard des environnements technologiques complexes ?

Enfin, comment la démarche scientifique est-elle affec-tée par les technologies mises au service de l’étude du com-portement ? En particulier, dans les travaux empiriques uti-lisant la réalité virtuelle, peut-on rendre compatible deuxexigences souvent perçues comme contradictoires, à savoirle contrôle expérimental des situations et la validité écolo-gique de celles-ci ?

Défi n°10 - Comment développer une démarche bienfondée en ingénierie pour des IHM complexes, adaptéeaux architectures cognitives humaines, dans ses principesou dans ses usages ? Comment mieux cerner les voies queles technologies nous ont véritablement ouvertes ?

Ce défi conduit à identifier les frontières (mais aussi lespossibilités de collaboration) entre les technologies misesau service de l’investigation scientifique de la cognition etles technologies qui pénètrent nos environnements et ac-compagnent de fait nos activités cognitives ordinaires.

Ces questions débouchent sur le monde des applica-tions et celui du soutien apporté par les technologies à laformation et à la gestion des compétences, par exemple enmatière d’éducation ou d’environnement industriel.




Dans des domaines très spécifiques, mais de large ap-plication sociétale, la question se pose de la contributiondes technologies cognitives à l’intelligence ambiante". Il enva de même pour le développement des processus créatifsdans les environnements virtuels.

En environnement bureautique ou domotique, il y a lieud’affiner notre connaissance de la communication et del’interaction des utilisateurs avec des agents virtuels simu-lés.

Technologies et cognition humaine forment un sys-tème. La conception de technologies est donc une concep-tion de systèmes homme-machine. La cognition humainedevrait être davantage prise en compte dans la conceptiond’automates autonomes qui interfèrent dans l’espace detravail d’opérateurs humains. L’enjeu est alors de concevoirdes machines qui ont un savoir-faire, mais surtout des ma-chines qui ont un savoir-coopérer.

5. Santé et handicaps : technologiespour l’évaluation, le diagnostic, le pro-nostic et la remédiation

(Ateliers 11, 26 et GDR GRAEC)

Si la définition du terme « handicap » ne pose guère deproblèmes dans le champ de la pathologie innée, dévelop-pementale ou acquise, il est proposé d’en étendre le péri-mètre à toute situation complexe et/ou inhabituelle sus-ceptible d’être rencontrée par des sujets non pathologiques.Dans les deux cas, place devrait être faite tant à la carac-térisation fine des handicaps - aux plans descriptif et in-terprétatif - qu’à la prise en compte des stratégies pallia-tives - spontanées ou « médiées » de différentes manières(y compris technologiques) - qui sont déployées dans le butde les contourner. Place devrait être également ménagée àdes tentatives de modélisation de telle ou telle situation dehandicap.

Si les dysfonctionnements d’origine centrale - dans destermes empruntés aux modèles (neuro)psychologiques - etconduisant à une situation de handicap trouvent tout na-turellement leur place dans l’entreprise prospective envisa-gée, il semble tout aussi important d’inclure dans cette der-nière les perturbations habituellement qualifiées de « péri-phériques » ou de « bas niveau », et ce surtout à partir dumoment où est prise en compte l’intervention de stratégiescompensatoires, lesquelles ne peuvent être mises en oeuvresans le recours à des processus de (plus) haut niveau. Enparticulier, s’il est clair que les Technologies de l’Informa-tion et de la Communication ne peuvent intervenir sur lesmécanismes causaux des carences périphériques ou cen-

trales, sensorielles, motrices ou cognitives, elles peuventêtre utilisées pour pallier ces dernières, y compris à l’éche-lon de l’interface cerveau/ordinateur («brain/computer in-terface»), allant jusqu’à la forme de « neuroprothèses » et cesans oublier, dans certains cas, la Robotique. Ainsi, et dansun tel contexte, peuvent être énumérées, de manière non-exhaustive, des situations de handicap - dans un contextepathologique ou non - affectant, isolément ou de manièrecoordonnée, des facultés impliquant des fonctions commela perception, le langage (oral et/ou écrit), la mémoire, l’at-tention, la motricité intentionnelle, les gnosies, le calcul, leraisonnement et, plus généralement, ces fonctions cogni-tives et exécutives considérées ensemble.

Compte tenu de la définition du « handicap » retenue,les populations visées couvrent des terrains aussi vastes queles pathologies cérébrales traumatiques (trauma-crâniens,accident vasculaire cérébral), infectieuses (encéphalopa-thies) et dégénératives (démences), les pathologies déve-loppementales (autisme, dyslexie) et les pathologies men-tales (schizophrénie), etc., mais aussi les apprenants (ounéophytes), sujets en situation de stress, sujets âgés face aumonde numérique, les sujets normaux en situation com-plexe, inhabituelle et/ou de « double tâche » ?

Défi n°11 - Comment développer de nouveaux outilstechnologiques pour assister, réparer, augmenter le fonc-tionnement du corps et du cerveau ?

Il s’agit d’une part de mieux comprendre les interac-tions multimodales pour développer la transmodalité et lesdispositifs de suppléance, d’élaborer des outils de commu-nication augmentée, d’intelligence ambiante, des systèmesintelligents avec capteurs, effecteurs et moteurs de raison-nement médical permettant de s’insérer dans des environ-nements intelligents pour les personnes âgées ou handica-pées.

L’autre versant concerne le développement de nou-veaux systèmes et protocoles d’assistance neuro-cognitive,autour de questions et concepts en plein développementtels que : interfaces cerveau-ordinateur, neuroprothèses, enrelation avec l’étude des bases neurales des signaux obser-vés, le développement de modèles des substrats neuronaux,l’étude de la coadaptation [en relation avec les approchespharmacologiques et comportementales], mais aussi desquestions techniques sur les systèmes temps réel, les modede couplage et les compatibilités biologiques et électro-niques, le caractère plus ou moins invasif et réversible, lesproblèmes d’apprentissage/adaptabilité ; sans ignorer évi-demment, ici comme ailleurs mais sans doute plus encorequ’ailleurs, les questions d’éthique et en l’occurrence debio-éthique.

Les ingrédients du passage à une médecine translation-nelle et à une prise en charge à large spectre du handicap



cognitif (et notamment d’un des enjeux clés qui est celuidu vieillissement et de ses conséquences cognitives à largespectre) s’articulent essentiellement en deux grands sec-teurs.

Défi n°12 - Comment définir des outils, des systèmes,des modèles pour accompagner les handicaps cognitifs,du pronostic au diagnostic, de la remédiation (rééduca-tion) à l’évaluation.

Le premier secteur concerne l’ensemble des processusd’évaluation préalable, d’analyse et de diagnostic, autourde questions et de pistes telles que : Analyse du comporte-ment, des fonctions communicatives et des fonctions exé-cutives / Évaluation de l’autonomie / Analyse des situationsde handicap / Etude des différences inter-individuelles /Etude du langage des aînés pour mieux « comprendre »le vieillissement normal et pathologique / Analyse de lasémiologie de la motricité oculaire appliquée à des ma-ladies neurodégénératives, neuroophtalmologiques, pédia-triques, psychiatriques, etc.

Le second secteur recouvre les stratégies de remédiationet de rééducation (plasticité neuronale et comportemen-tale / thérapies cognitives / transferts de compétence, d’ap-prentissage ou de réapprentissage d’une modalité à uneautre ou d’un fonction à une autre / etc.). Dans ce chapitreune question centrale doit être posée et travaillée de façonbeaucoup plus systématique qu’elle ne l’est actuellement :c’est la question de l’évaluation des méthodes, qui impliqueà la fois une réflexion en amont sur les processus d’évalua-tion (que faut-il évaluer, avec quelles méthodes, pour quelsobjectifs), et probablement la mise en oeuvre de protocolesd’évaluation quantitative systématisés.

6 Apprentissages, éducation et techno-logies

(Ateliers 1, 3 et 17)

La demande de technologies pour l’éducation, la forma-tion, et plus largement l’apprentissage humain a subi denombreuses évolutions liées à la fois à (1) l’évolution très

rapide des technologies (hypertextes, systèmes à base deconnaissances, technologies collaboratives, réalité virtuelleet augmentée, informatique mobile et ambiante, technolo-gies haptiques, télévision interactive, etc.), (2) l’évolution -tout particulièrement dans la période actuelle - des usages(banalisation de l’accès aux ordinateurs, émergence d’in-ternet, émergence du Web 2.0, etc.) et (3) l’évolution desthéories ou cadres conceptuels (théories de la cognition,de l’apprentissage, de l’activité). Il ne concerne plus uni-quement des domaines scolaires bien formalisés (cf. parexemple l’émergence de ses usages en formation profes-sionnelle, qui amène à prendre en compte de nouveauxtypes de connaissances gestuelles ou perceptuelles). L’évo-lution des technologies et des usages amène à un renou-vellement des situations d’interactions humain-machine,apprenant-connaissance et humain-humain (évolution dela nature du contexte avec les technologies mobiles, etc.).Elle amène également à des situations d’apprentissagesayant des caractéristiques spécifiques (situations d’appren-tissage informelles, situations où se développent des ap-prentissages inattendus ou encore implicites).

Défi n°13 - Comment définir des outils, des systèmes,des modèles pour apprendre autrement, pour apprendremieux ?

Quels sont les théories et modèles qui permettentde comprendre les nouvelles formes d’interaction quiémergent de l’utilisation des évolutions technologiques etde leurs usages, et comment s’en servir comme fondementpour la conception de logiciels pour l’enseignement et l’ap-prentissage ?

Comment identifier, modéliser et opérationnaliser lesconnaissances en jeu, les modalités d’accès à ces connais-sances et leurs interactions ?

Quels sont les théories, modèles, méthodes permettantd’étudier les questions d’ergonomie posées par la concep-tion de dispositifs centré-apprentissage, par l’analyse del’activité des apprenants et l’évaluation des apprentissages ?

Comment articuler la compréhension des phénomènescognitifs et les phénomènes liés aux transformations desmétiers et structures institutionnelles de l’enseignement ?



COMPTE-RENDU DE TOTH 2010

Compte-rendu de Toth 2010

Retour sur la 4ème édition des conférences TOTh " Terminologie & Ontologie : Théories et applications ".Dans l’attente du compte rendu détaillé que rédigeront Loïc Depecker (Université de Sorbonne nouvelle) et Gérard Sabah

(CNRS, Orsay), vous trouverez ci-joint un premier compte rendu rédigé par Marie Calberg-Challot (société Onomia).

La quatrième édition des Conférences TOTh s’est dérou-lée du 2 au 4 juin 2010 à Annecy. Ces conférences offrentune structure "qui traduit bien à la fois le caractère scienti-fique et pluridisciplinaire de la terminologie et de l’intérêtde notre communauté pour d’autres domaines partageantdes préoccupations communes" (Roche, extrait de l’avantpropos des actes de TOTh 2009).

Une journée de formation sur le thème de " Ter-minologie et Ontologie " (http://porphyre.org/toth/toth-2010/formation) a précédé les conférences. Elle aporté principalement sur l’intérêt des ontologies pour laterminologie tant d’un point de vue méthodologique quepour son opérationnalisation.

Frédéric Nef a ouvert la conférence TOTh avec uneprésentation passionnante sur "Ontologie : Analyse desconcepts ou métaphysique" dont voici le résumé :

"Deux conceptions de l’ontologie s’affrontent : selon lapremière elle est réductible à l’analyse des concepts primi-tifs ; selon la seconde elle est le coeur de la métaphysique,une science transcendantale de la réalité ultime. Je mon-trerai qu’une variété d’ontologie, fondée sur l’admission destructures ontologiques permet de comprendre cette oppo-sition. Je montrerai que le réalisme structural est une voiequi permet de penser la nature de l’ontologie. Cependantil faut un réalisme fort des structures que je discuterai encritiquant le constructionnisme courant des structures on-tologiques, réduites à des représentations logiques et ma-thématiques. L’ontologie formelle repose sur le développe-ment d’une série d’outils formels de représentation, commeles calculs logiques, méréologiques etc., mais cela ne signi-fie pas qu’elle se confond avec la compilation de ces lan-

gages : elle a pour ambition de proposer un cadre unifiéde connaissance des structures ontologiques de la réalitéqui ne se réduisent pas à des structures sémantiques ou lo-giques. En ce sens, c’est une ontologie réaliste qui sera dé-fendue". (Frédéric Nef)

Les interventions de la conférence se sont réparties ensessions théoriques et sessions pratiques. Aide à la traduc-tion, phraséologie, fouille de textes, recherche d’informa-tion, représentation graphique des systèmes conceptuels,etc. ont été autant de sujets qui ont donné lieu à de nom-breux débats.

En plus, des sessions démonstrations ont eu lieu et ontété une occasion supplémentaire d’échanges entre cher-cheurs et industriels.

On notera une progression de 34de soumissions. Oncompte également près de 800 téléchargements des actesde TOTh 2009 en deux mois.

Les conférences TOTh ont normalement lieu les pre-miers mercredi (Formation), jeudi et vendredi (Conférence)du mois de juin de chaque année. Le jeudi 2 juin 2011étant le jeudi de l’ascension, la 5e édition des conférencesTOTh est avancée d’une semaine. L’équipe organisatricenous donne donc rendez-vous l’année prochaine du 25 au27 mai 2011 à Annecy pour la 5e édition des conférencesTOTh.

A noter qu’il sera mis en place un prix "Jeune chercheur"à partir de cette prochaine édition.

Vous pouvez également suivre l’actualité des confé-rences TOTh à l’adresse suivante : http://www.porphyre.org/toth/ et sur Twitter en vous abonnant à : @confe-rence_TOTh.


http://porphyre.org/toth/toth-2010/formation

http://porphyre.org/toth/toth-2010/formation

http://www.porphyre.org/toth/

http://www.porphyre.org/toth/

PRIX CAP’10

Prix CAP’10

Model-free Monte Carlo-like Policy EvaluationRaphael FONTENEAU1, Susan A. MURPHY2, Louis WEHENKEL1, Damien ERNST1

(1) Université de Liège, Belgique ; (2) Université du Michigan, USA

Les problèmes de décision séquentielle sous incerti-tudes se rencontrent fréquemment en Intelligence rtificielle(IA). Un exemple classique d’un tel problème en IA est celuid’un robot percevant partiellement et de façon bruitée unenvironnement par le biais de capteurs, et dont l’obectif estd’accomplir une tâche le mieux et/ou le plus rapidementpossible au sein de cet environnement. Généralement, ré-soudre un problème de décision sous incertitudes consisteà déterminer la meilleure politique de décision possible,étant donnés un critère de performances et un ensemble demesures de l’environnement. Dans ce travail, on considèreune politique de décision fixée, et on s’intéresse précisé-ment au problème d’évaluation des performances de cettepolitique, dans un contexte où aucun modèle de l’environ-nement n’est connu, et où les informations disponibles ontété recueillies au préalable indépendamment de la poli-tique qu’on cherche à évaluer.

Lorsqu’un simulateur est disponible, ou lorque l’onpeut directement tester la politique de décision au seinde l’environnement, une solution classique consiste à lan-cer de multiples simulations indépendantes et à calculerla performance moyenne des simulations. Cette méthodeest souvent désignée par l’appellation "méthode de MonteCarlo" ; l’estimateur de Monte Carlo qui en résulte possèdel’avantage d’être non biaisé, et sa variance tend vers 0 avecle nombre de simulations (sous l’hypothèse que la variance"naturelle" des simulations soit finie). Une représentationschématique du fonctionnement d’un estimateur de MonteCarlo est donnée sur la Figure 1.

Dans ce travail, la difficulté provient du fait qu’on nepeut pas construire de telles trajectoires, puisqu’on fait l’hy-pothèse qu’aucun modèle de l’environnement n’est dispo-nible. On dispose à la place d’une base de données de tra-jectoires qui ont été construites à partir d’autres politiquesde décision inconnues. La solution proposée par ce travailconsiste à utiliser ces trajectoires, découpées en morceauxélémentaires nommés transitions, pour reconstruire destrajectoires artificielles. Ces trajectoires artificielles doiventêtre les plus régulières possibles, tout en approximant aumieux les trajectoires réelles qu’on obtiendrait s’il était pos-sible de simuler la politique qu’on souhaite évaluer. Les per-formances de ces trajectoires artificielles sont moyennéesafin d’obtenir une estimation des performances de la poli-tique de décision. L’estimateur qui en découle, appelé es-timateur MFMC (de l’anglais Model-free Monte Carlo esti-mator), est représenté sur la Figure 2.

En pratique, la sélection de transitions se fait en utili-sant une mesure de distance, et chaque transition est uti-lisée au plus une fois, de manière à conserver les proprié-tés statistiques de l’estimateur de Monte Carlo classique. Lacomplexité de l’algorithme MFMC est linéaire en fonctionde la quantité de données disponibles et du nombre de tra-jectoires artificielles.

Sous certaines hypothèses de régularité sur l’environne-ment (hypothèses de continuité Lipschitzienne), il est pos-sible de caractériser le biais et la variance de l’estimateurMFMC. Plus précisément, le biais et la variance de l’esti-mateur MFMC sont bornés par un terme proportionnel à la



PRIX CAP’10

parcimonie de la base de données, et l’estimateur MFMC secomporte asymptotiquement — lorque la parcimonie desdonnées disponible tend vers 0 — comme un estimateur deMonte Carlo classique.

La suite logique de ce travail est d’incorporer l’estima-teur MFMC dans des algorithmes de recherche de poli-tiques optimales. L’approche à base de trajectoires artifi-cielles développée dans ce travail pourrait également êtreétendue dans l’optique d’estimer la distribution des perfor-mances d’une politique de décision donnée.

Remerciements

Raphaël Fonteneau est titulaire d’une bourse de doc-torat FRIA. Damien Ernst est chercheur qualifié du FNRS.Susan Murphy remercie les supports financiers NIH P50DA10075 et R01 MH080015. Les auteurs remercient égale-ment les pôles d’attraction interuniversitaire BIOMAGNETet DYSCO, ainsi que le réseau d’excellence européen PAS-CAL2. Les auteurs gardent la responsabilité scientifique dece travail.


SOMMAIRE DES REVUES

Sommaire des revues

N’hésitez pas à envoyer un message à Brigitte Grau (Brigitte.Grau[at]limsi.fr) pour lui indiquer toute suggestion per-mettant d’améliorer cette rubrique. Les revues figurant régulièrement au sommaire mais n’ayant pas de nouveau numéroapparaissent seulement avec leur nom et leur adresse WEB.

REVUE D’INTELLI-GENCE ARTIFICIELLE

http://ria.e-revues.com/

RIA V24 no 1 2010Adaptation d’un algorithme génétique pour la recons-truction de réseaux de régulation génétique : COGARE,J.BRICHE, Y.LACROIX, A.MAASSUne approche de communication entre agents logiciels ba-sée sur la pertinence, M.MBARKI, B.MOULIN, J.BENTAHARÉtude des interactions humaines dans un cadre de pla-nification multiagent, A.PAUCHET, N.CHAIGNAUD, A.ELFALLAH-SEGHROUCHNICentering Information Retrieval to the User, B.LUDWIG,S.MANDL

RIA V24 no 2 2010

Résolution exacte et approchée de problèmes de déci-sion markoviens formulés en logique propositionnelle,B.LESNER, B.ZANUTTINIApprentissage par renforcement d’actes de communicationdans un système multi-agent, S.HOET, N.SABOURETSurveillance de compositions de web services. Deux ap-proches distribuées à base de chroniques pour la sur-veillance et le diagnostic, X.LE GUILLOU, M.CORDIER,S.ROBIN, L.ROZÉModélisation et évaluation de l’interaction dans lessystèmes multimodaux, E.VERDURAND, G.COPPIN,F.POIRIER, O.GRISVARD

ARTIFICIAL INTELLIGENCE

http://www.sciencedirect.com/science/journal/

00043702

AI V174 no 2 FEBRUARY 2010

Special Review IssueThe expanding breadth of artificial intelligence research,RANDY GOEBEL, MARY-ANNE WILLIAMSBook Review

A book review on Elements of Argumentation, SALEM BEN-FERHATEric R. Kandel, In Search of Memory : The Emergence of aNew Science of Mind, W.W. Norton (2006), CARLES SIERRAA review of the textbook Graph-based Knowledge Represen-tation, THOMAS ROTH-BERGHOFERReview of "Probabilistic graphical models" by Koller andFriedman, KEVIN MURPHYA. Darwiche, Modeling and Reasoning with Bayesian Net-works, Cambridge (2009), YANG XIANGRolf Pfeifer and Josh Bongard, How the Body Shapes theWay We Think : A New View of Intelligence A Bradford Book,MIT Press (2007), MICHAEL L. ANDERSONWilliam J. Raynor Jr, International Dictionary of ArtificialIntelligence (2nd edition), Global Professional Publishing(2009), R.G. GOEBELField ReviewsFrom the Semantic Web to social machines : A researchchallenge for AI on the World Wide Web, JIM HENDLER,TIM BERNERS-LEEQuantum computation, quantum theory and AI, MING-SHENG YINGThe Turing Tapes : Comments and Controversies in AI, In-terventions and belief change in possibilistic graphical mo-dels, SALEM BENFERHATInteractive semantics, HAI ZHUGECortical hierarchies, sleep, and the extraction of knowledgefrom memory, BRUCE L. MCNAUGHTONHidden semi-Markov models, SHUN-ZHENG YU

AI V174 no 3−4 MARCH 2010

Conformant plans and beyond : Principles and complexity,BLAI BONETElicitation strategies for soft constraint problems with mis-sing preferences : Properties, algorithms and experimentalstudies, MIRCO GELAIN, MARIA SILVIA PINI, FRANCESCAROSSI, K. BRENT VENABLE, TOBY WALSHLogic programs with abstract constraint atoms : The role ofcomputations, LENGNING LIU, ENRICO PONTELLI, TRANCAO SON, MIROSLAW TRUSZCZYNSKI



http://ria.e-revues.com/

http://www.sciencedirect.com/science/journal/00043702


SOMMAIRE DES REVUES

Automated composition of Web services via planning inasynchronous domains, PIERGIORGIO BERTOLI, MARCOPISTORE, PAOLO TRAVERSO

AI V174 no 5−6 APRIL 2010

Optimal-in-expectation redistribution mechanisms, MIN-GYU GUO, VINCENT CONITZEROn the power of structural decompositions of graph-based representations of constraint problems, GIANLUIGIGRECO, FRANCESCO SCARCELLODemocratic instance selection : A linear complexity ins-tance selection algorithm based on classifier ensembleconcepts, CÉSAR GARCÍA-OSORIO, AIDA DE HARO-GARCÍA, NICOLÁS GARCÍA-PEDRAJASA note on minimal d-separation trees for structural lear-ning, BINGHUI LIU, JIANHUA GUO, BING-YI JING

AI V174 no 7−8 MAY 2010

Soft arc consistency revisited, M.C. COOPER, S. DE GIVRY,M. SANCHEZ, T. SCHIEX, M. ZYTNICKI, T. WERNERRepresenting uncertainty on set-valued variables using be-lief functions, THIERRY DENOEUX, ZOULFICAR YOUNES,FAHED ABDALLAHAllocation and scheduling of Conditional Task Graphs, MI-CHELE LOMBARDI, MICHELA MILANOForecasting workload and airspace configuration with neu-ral networks and tree search methods, DAVID GIANAZZA

AI V174 no 9−10 JUNE 2010Optimal query complexity bounds for finding graphs,SUNG-SOON CHOI, JEONG HAN KIMGeneralizing constraint satisfaction on trees : Hybrid trac-tability and variable elimination, MARTIN C. COOPER, PE-TER G. JEAVONS, ANDRÁS Z. SALAMONInformation loss in knowledge compilation : A comparisonof Boolean envelopes, PETER SCHACHTE, HARALD SØN-DERGAARD, LEIGH WHITING, KEVIN HENSHALLPositive approximation : An accelerator for attribute reduc-tion in rough set theory, YUHUA QIAN, JIYE LIANG, WI-TOLD PEDRYCZ, CHUANGYIN DANGPanlingual lexical translation via probabilistic inference,MAUSAM, STEPHEN SODERLAND, OREN ETZIONI, DA-NIEL S. WELD, KOBI REITER, MICHAEL SKINNER, MAR-CUS SAMMER, JEFF BILMES

AI MAGAZINE

http://www.aaai.org/ojs/index.php/aimagazine/

issue/archive

AI MAGAZINE V30 N°4 WINTER 2009

Special issueIntroduction to the Special Issue on "Usable AI", ANTHONYDAVID JAMESON, AARON SPAULDING, NEIL YORKE-SMITHUser Interface Goals, AI Opportunities, HENRY LIEBER-MANUnderstanding and Dealing With Usability Side Effects ofIntelligent Processing, ANTHONY DAVID JAMESONUsability Engineering Methods for Interactive IntelligentSystems, AARON SPAULDING, JULIE SAGE WEBERAI and HCI : Two Fields Divided by a Common Focus, JO-NATHAN GRUDINMixed-Initiative Interface Personalization as a Case Studyin Usable AI, ANDREA BUNT, CRISTINA CONATI, JOANNAMCGRENEREWhy Programming-By-Demonstration Systems Fail : Les-sons Learned for Usable AI, TESSA LAUDesign Space and Evaluation Challenges of Adaptive Gra-phical User Interfaces, LEAH FINDLATER, KRZYSZTOF Z.GAJOSThe Design and Evaluation of User Interfaces for the RA-DAR Learning Personal Assistant, ANDREW FAULRING,KEN MOHNKERN, AARON STEINFELD, BRAD MYERSFive Challenges for Intelligent Text Entry Methods, PER OLAKRISTENSSONMediating between AI and highly specialized users, DA-NIELA PETRELLI, ABA-SAH DADZIE, VITAVESKA LAN-FRANCHIDesigning for Usability of an Adaptive Time ManagementAssistant, JULIE SAGE WEBER, NEIL YORKE-SMITHReports

Report on the 22nd International FLAIRS Conference,HANS WERNER GUESGENRobotics : Science and Systems IV, OLIVER BROCK, JEFFTRINKLE, FABIO RAMOSReport on the 2nd International Conference on Artifi-cial General Intelligence (AGI-09), HUGO DE GARIS, BENGOERTZELThe Fifth International Conference on Intelligent Environ-ments (IE 09) : A Report, VIC CALLAGHAN, ACHILLES KA-MEAS, DOLORS ROYO, ANGELICA REYES, LEANDRO NA-VARRO

COGNITIVE SCIENCE

http://www3.interscience.wiley.com/journal/

121670282/home

COGNITIVE SCIENCE V34 no 1 JANUARY 2010


http://www.aaai.org/ojs/index.php/aimagazine/issue/archive

http://www.aaai.org/ojs/index.php/aimagazine/issue/archive

http://www3.interscience.wiley.com/journal/121670282/home

http://www3.interscience.wiley.com/journal/121670282/home

SOMMAIRE DES REVUES

Does Playing Blindfold Chess Reduce the Quality of Game :Comments on Chabris and Hearst (2003), VELJKO JERE-MIC, DRAGAN VUKMIROVIC, ZORAN RADOJICICExtended ArticleDirect Associations or Internal Transformations ? Exploringthe Mechanisms Underlying Sequential Learning Behavior,TODD M. GURECKIS, BRADLEY C. LOVERegular ArticlesA Model of Knower-Level Behavior in Number Concept De-velopment, MICHAEL D. LEE, BARBARA W. SARNECKAFacilitation by Variation : Right-to-Left Learning of EnglishYes/No Questions, BRUNO ESTIGARRIBIAAn On-Line Study of Japanese Nesting Complexity, KEN-TARO NAKATANI, EDWARD GIBSONLearning the Form of Causal Relationships Using Hierarchi-cal Bayesian Models, CHRISTOPHER G. LUCAS, THOMASL. GRIFFITHSBrief ReportsInferring Hidden Causal Structure, TAMAR KUSHNIR, ALI-SON GOPNIK, CHRIS LUCAS, LAURA SCHULZEffect of Representational Distance Between Meanings onRecognition of Ambiguous Spoken Words, DANIEL MIR-MAN, TED J. STRAUSS, JAMES A. DIXON, JAMES S. MA-GNUSON

COGNITIVE SCIENCE V34 no 2 MARCH 2010

Extended ArticlesTwo Causal Theories of Counterfactual Conditionals,LANCE J. RIPSStrudel : A Corpus-Based Semantic Model Based on Pro-perties and Types, MARCO BARONI, BRIAN MURPHY,EDUARD BARBU, MASSIMO POESIORegular ArticlesExploiting Multiple Sources of Information in Learning anArtificial Language : Human Data and Modeling, PIERREPERRUCHET, BARBARA TILLMANNDo Grammars Minimize Dependency Length ?, DANIELGILDEA, DAVID TEMPERLEYBrief ReportsMoral Principles or Consumer Preferences ? Alternative Fra-mings of the Trolley Problem, TAGE S. RAI, KEITH J. HO-LYOAKHigh Regularities in Eye-Movement Patterns Reveal the Dy-namics of the Visual Working Memory Allocation Mecha-nism, XIAOHUI KONG, CHRISTIAN D. SCHUNN, GARRICKL. WALLSTROMLearnability of Embedded Syntactic Structures Depends onProsodic Cues, JUTTA L. MUELLER, JÖRG BAHLMANN,ANGELA D. FRIEDERICI

COGNITIVE SCIENCE V34 no 3 APRIL 2010

Regular ArticlesThe Interactive Evolution of Human Communication Sys-tems, NICOLAS FAY, SIMON GARROD, LEO ROBERTS, NIKSWOBODASpace and Time in the Child’s Mind : Evidence for a Cross-Dimensional Asymmetry, DANIEL CASASANTO, OLGA FO-TAKOPOULOU, LERA BORODITSKYThrough Neural Stimulation to Behavior Manipulation : ANovel Method for Analyzing Dynamical Cognitive Models,THOMAS HOPE, IVILIN STOIANOV, MARCO ZORZICue Integration With Categories : Weighting Acoustic Cuesin Speech Using Unsupervised Learning and DistributionalStatistics, JOSEPH C. TOSCANO, BOB MCMURRAYChildren’s Production of Unfamiliar Word Sequences Is Pre-dicted by Positional Variability and Latent Classes in a LargeSample of Child-Directed Speech, DANIELLE MATTHEWS,COLIN BANNARDCross-National Comparisons of Complex Problem-SolvingStrategies in Two Microworlds, C. DOMINIK GÜSS, MA. TE-RESA TUASON, CHRISTIANE GERHARDBrief ReportComprehension of Simple Quantifiers : Empirical Evalua-tion of a Computational Model, JAKUB SZYMANIK, MAR-CIN ZAJENKOWSKIConference ReportCognitive Science Meets Autonomous Mental Develop-ment, JAY MCCLELLAND, JUYANG WENG, GEDEON DEÁK,BRIAN SCASSELLATIErratumErratum for : Learnability of Embedded Syntactic StructuresDepends on Prosodic Cues by JUTTA L. MUELLER, JÖRGBAHLMANN, ANGELA D. FRIEDERICI in Cognitive Science,34(2)

COGNITIVE SCIENCE V34 N°4 MAY 2010

Extended ArticleMultilevel Exemplar Theory, MICHAEL WALSH, BERNDMÖBIUS, TRAVIS WADE, HINRICH SCHÜTZERegular ArticlesThe Evolution of Relevance, THOMAS C. SCOTT-PHILLIPSGesturing Saves Cognitive Resources When Talking AboutNonpresent Objects, RAEDY PING, SUSAN GOLDIN-MEADOWLearning Times for Large Lexicons Through Cross-Situational Learning, RICHARD A. BLYTHE, KENNY SMITH,ANDREW D. M. SMITHDo We Really Gesture More When It Is More Difficult ?, UTASASSENBERG, ELKE VAN DER MEERMetamorphosed Characters in Dreams : Constraints ofConceptual Structure and Amount of Theory of Mind, RI-CHARD SCHWEICKERT, ZHUANGZHUANG XI



SOMMAIRE DES REVUES

Brief ReportsNetwork Structure Influences Speech Production, KIT YINGCHAN, MICHAEL S. VITEVITCHA Computational Account of the Development of the Gene-ralization of Shape Information, LEONIDAS A. A. DOUMAS,JOHN E. HUMMEL

APPLIED INTELLIGENCE

http://www.kluweronline.com/issn/0924-669X/

APPLIED INTELLIGENCE V31 no 3 DECEMBER 2009Special IssueLearning and Modeling in Intelligent Applications ; GuestEditors : RICHARD DAPOIGNY, PATRICK BRÉZILLONIntroducing reasoning into an industrial knowledge ma-nagement tool, OLIVIER CARLONI, MICHEL LECLÈRE,MARIE-LAURE MUGNIERSimulation analysis of decision-making policy for on-demand transport systems, NAOTO MUKAI, TOYOHIDEWATANABEExtending the RCPSP for modeling and solving disruptionmanagement problems, JÜRGEN KUSTER, DIETMAR JAN-NACH, GERHARD FRIEDRICHTwo-stage classifications for improving time-to-failure esti-mates : a case study in prognostic of train wheels, CHUN-SHENG YANG, SYLVAIN LÉTOURNEAUClassifier subset selection for biomedical named entity re-cognition, NAZIFE DIMILILER, EKREM VAROGLU, HAKANALTINÇAYSwitching between type-2 fuzzy sets and intuitionistic fuzzysets : an application in medical diagnosis, CHUNG-MINGOWNNonlinear discrete-time controller based on fuzzy-ruleemulated network and shuttering condition, C. TREESA-TAYAPUNA new paradigm for real-time parallel storage and recog-nition of patterns based on a hierarchical organization ofassociative memories utilizing Walsh function encoding,SEONG-JOO HAN, SE-YOUNG OHParallel clustering of high dimensional data by integratingmulti-objective genetic algorithm with divide and conquer,TANSEL ÖZYER, REDA ALHAJJ

APPLIED INTELLIGENCE V32 no 1 FEBRUARY 2010Detecting interest cache poisoning in sensor networksusing an artificial immune algorithm, CHRISTIAN WAL-LENTA, JUNGWON KIM, PETER J. BENTLEY, STEPHENHAILESPolynomial-based radial basis function neural networks (P-RBF NNs) and their application to pattern classification,BYOUNG-JUN PARK, WITOLD PEDRYCZ, SUNG-KWUNOH

A hybrid approach to large-scale job shop scheduling, RUIZHANG, CHENG WUAn answer set programming encoding of Prioritized Remo-ved Sets Revision : application to GIS, SALEM BENFERHAT,JONATHAN BEN-NAIM, ODILE PAPINI, ERIC WÜRBELAn enhanced ant colony optimization (EACO) applied to ca-pacitated vehicle routing problem, CHOU-YUAN LEE, ZNE-JUNG LEE, SHIH-WEI LIN, KUO-CHING YINGThe property analysis of evolutionary algorithms appliedto spanning tree problems, SANG-MOON SOAK, MOONGUJEONImproved PLSOM algorithm, ERIK BERGLUNDBuilding user argumentative models, ARIEL MONTESERIN,ANALÍA AMANDI

APPLIED INTELLIGENCE V32 no 2 APRIL 2010Special IssueApplied Intelligent Information Systems ; Guest Editors :NGOC THANH NGUYEN, RADOSLAW KATARZYNIAK,ADAM JANIAKControlling gaze with an embodied interactive control ar-chitecture, YASSER MOHAMMAD, TOYOAKI NISHIDAAlineaGA-a genetic algorithm with local search optimiza-tion for multiple sequence alignment, FERNANDO JOSÉMATEUS DA SILVA, JUAN MANUEL SÁNCHEZ PÉREZ,JUAN ANTONIO GÓMEZ PULIDO, MIGUEL A. VEGA RO-DRÍGUEZSuboptimal nonlinear predictive control based on multiva-riable neural Hammerstein models, MACIEJ LAWRYNCZUKGenetic algorithm for test pattern generator design, Au-tomatic evolution of circuits, TOMASZ GARBOLINO, GRE-GOR PAPAIntegrating rush orders into existent schedules for a com-plex job shop problem, PATRICK MORATORI, SANJA PE-TROVIC, JOSÉ ANTONIO VÁZQUEZ-RODRÍGUEZSupervised training database for building recognition byusing cross ratio invariance and SVD-based method,HOANG-HON TRINH, DAE-NYEON KIM, KANG-HYUN JO

APPLIED INTELLIGENCE V32 no 3 JUNE 2010A diversity preserving selection in multiobjective evolutio-nary algorithms, CHANG WOOK AHN, R. S. RAMAKRISHNAExtracting reduced logic programs from artificial neuralnetworks, JENS LEHMANN, SEBASTIAN BADER, PASCALHITZLERSTNR : A suffix tree based noise resilient algorithm forperiodicity detection in time series databases, FARAZ RA-SHEED, REDA ALHAJJSearch intensity versus search diversity : a false trade off ?,ALEXANDRE LINHARES, HORACIO HIDEKI YANASSEMulti-population co-genetic algorithm with double chain-like agents structure for parallel global numerical optimiza-tion, YONGMING LI, XIAOPING ZENG


http://www.kluweronline.com/issn/0924-669X/

SOMMAIRE DES REVUES

Fast exact feature based data correspondence searchwith an efficient bit-parallel MCP solver, PABLO SANSEGUNDO, DIEGO RODRÍGUEZ-LOSADA, FERNANDOMATÍA, RAMÓN GALÁNMulRoGA : A Multicast Routing Genetic Algorithm ap-proach considering multiple objectives, ALUIZIO FAUSTORIBEIRO ARAÚJO, CÍCERO GARROZIKISTCM : knowledge discovery system for traditional Chi-nese medicine, SHAOJIE QIAO, CHANGJIE TANG, HUI-DONG JIN, JING PENG, DARREN DAVIS, NAN HANUsing rough set to support investment strategies of real-time trading in futures market, SUK JUN LEE, JAE JOONAHN, KYONG JOO OH, TAE YOON KIM

COMPUTATIONAL INTELLIGENCE

http://www.blackwellpublishing.com/journal.

asp?ref=0824-7935&site=1

COMPUTATIONAL INTELLIGENCE V26 no 1 FEBRUARY2010Automatic complexity reduction in reinforcement learning,CHUNG-CHENG CHIU, VON-WUN SOODIPKIP : a connectionist knowledge management system toidentify knowledge deficits in practical cases, ÁLVARO HER-RERO, EMILIO CORCHADO, LOURDES SÁIZ, AJITH ABRA-HAMMulti-agent cooperation via reasoning about the behaviorof others, WENPIN JIAOOn-line case-based planning, SANTI ONTAÑÓN, KINSHUKMISHRA, NEHA SUGANDH, ASHWIN RAM

COMPUTATIONAL INTELLIGENCE V26 no 2 MAY 2010Efficient personalization of e-learning activities using amulti-device decentralized recommender system, DOME-NICO ROSACI, GIUSEPPE M.L. SARNÉCognitive and behavioral model ensembles for autono-mous virtual characters, JEFFREY S. WHITING, JONATHANDINERSTEIN, PARRIS K. EGBERT, DAN VENTURATrust as a tradable commodity : a foundation for safe elec-tronic marketplaces, REID KERR, ROBIN COHENDrama management and player modeling for interactivefiction games, MANU SHARMA, SANTIAGO ONTAÑÓN,MANISH MEHTA, ASHWIN RAM

MINDS AND MACHINES

http://www.springer.com/west/home/computer/

computer+journals?SGWID=4-40100-70-35534114-0

MINDS AND MACHINES V19 no 4 NOVEMBER 2009Special issueComputation and the Natural World, edited by COLIN T. A.SCHMIDTLife and Mind, MARGARET A. BODEN

Is Evolution Algorithmic ?, MARCIN MILKOWSKIBeyond Mind : How Brains Make up Artificial Cognitive Sys-tems, LORENZO MAGNANIComputationalism and the Locality Principle, DAVID LON-GINOTTIWhy Computers Can’t Feel Pain, MARK BISHOPLanguage as a Cognitive Tool, MARCO MIROLLI, DOME-NICO PARISISymbol Grounding in Computational Systems : A Paradoxof Intentions, VINCENT C. MÜLLERFormal Analysis of Dynamics within Philosophy of Mind byComputer Simulation, TIBOR BOSSE, MARTIJN C. SCHUT,JAN TREURComputational Epistemology and e-Science : A New Way ofThinking, JORDI VALLVERDÚ I SEGURA

MINDS AND MACHINES V20 no 1 FEBRUARY 2010Why Machines Cannot Feel, ROSEMARIE VELIKThe Contribution of Domain Specificity in the Highly Mo-dular Mind, AXEL ARTURO BARCELÓ ASPEITIA, ÁNGELESERAÑA, ROBERT STAINTONOn the Advantage (If Any) and Disadvantage of the Concep-tual/Nonconceptual Distinction for Cognitive Science,ALESSANDRO DELL’ANNA, MARCELLO FRIXIONEConcepts : Stored or Created ?, MARCO MAZZONE, ELISA-BETTA LALUMERARepresentational Systems, TOMER FEKETEAn Object-Oriented View on Problem Representation as aSearch-Efficiency Facet : Minds vs. Machines, REZA ZA-MANIIndistinguishable from Magic : Computation is CognitiveTechnology, JOHN KADVANYBook reviewAndy Clark : Supersizing the Mind, Oxford University Press,2008, DAVID COLEPaul A. Boghossian, Fear of Knowledge : Against Relativismand Constructivism, Oxford University Press, 2006, CURTISFOGELAlva Noë : Out of Our Heads : Why You are Not Your Brain,and Other Lessons From the Biology of Consciousness, Hilland Wang, 2009, ANDREAS ELPIDOROU

INTERNATIONAL JOURNAL OFHUMAN-COMPUTER STUDIES

http://www.elsevier.com/locate/ijhcs

IJHCS V68 no 6 JUNE 2010Special issue

Human-Computer Interaction for Medicine and HealthCare (HCI4MED) : Towards making Information usable,ANDREAS HOLZINGER, HAROLD THIMBLEBY, RUSSEL



http://www.blackwellpublishing.com/journal.asp?ref=0824-7935&site=1

http://www.blackwellpublishing.com/journal.asp?ref=0824-7935&site=1

http://www.springer.com/west/home/computer/computer+journals?SGWID=4-40100-70-35534114-0

http://www.springer.com/west/home/computer/computer+journals?SGWID=4-40100-70-35534114-0

http://www.elsevier.com/locate/ijhcs

SOMMAIRE DES REVUES

BEALE, FENNE VERHOEVEN, MICHAËL F. STEEHOUDER,RON M.G. HENDRIX, JULIA E.W.C. VAN GEMERT-PIJNENKnowledge elicitation for validation of a neonatal ven-tilation expert system utilising modified Delphi and fo-cus group techniques, KENNETH TAN, GORDON BAX-TER, SIMON NEWELL, STEVE SMYE, PETER DEAR, KEITHBROWNLEE, JONATHAN DARLINGEvaluation of 2D and 3D glove input applied to medicalimage analysis, E.V. ZUDILOVA-SEINSTRA, P.J.H. DE KO-NING, A. SUINESIAPUTRA, B.W. VAN SCHOOTEN, R.J. VANDER GEEST, J.H.C. REIBER, P.M.A. SLOOTEasing semantically enriched information retrieval-An in-teractive semi-automatic annotation system for medi-cal documents, THERESIA GSCHWANDTNER, KATHARINAKAISER, PATRICK MARTINI, SILVIA MIKSCHPersuasive robotic assistant for health self-management ofolder adults : Design and evaluation of social behaviors, RO-SEMARIJN LOOIJE, MARK A. NEERINCX, FOKIE CNOSSENPauses in doctor-patient conversation during computeruse : The design significance of their durations and ac-companying topic changes, WILLIAM NEWMAN, GRAHAMBUTTON, PAUL CAIRNSWho will watch (over) me ? Humane monitoring in demen-tia care, YVONNE SCHIKHOF, INGRID MULDER, SUNILCHOENNI

IJHCS V68 no 7 JULY 2010Designing product listing pages-Effects on sales and users’cognitive workload, P. SCHMUTZ, S.P. ROTH, M. SECKLER,K. OPWISUser study on AffectIM, an avatar-based Instant Messa-ging system employing rule-based affect sensing from text,ALENA NEVIAROUSKAYA, HELMUT PRENDINGER, MIT-SURU ISHIZUKAThe effects of mutual location-awareness on group co-ordination, NICOLAS NOVA, FABIEN GIRARDIN, PIERREDILLENBOURG

COMPUTATIONAL LINGUISTICS

http://mitpress.mit.edu/catalog/item/default.

asp?sid=8563C099-9701-4DD2-85C8-8F3502E9C8AE&ttype=

4&tid=10

COMPUTATIONAL LINGUISTICS V35 no 4 DECEMBER2009The Dawn of Statistical ASR and MT, FREDERICK JELINEKSquibsFrom Annotator Agreement to Noise Models, BEATA BEIG-MAN KLEBANOV, EYAL BEIGMANArticlesPunctuation as Implicit Annotations for Chinese Word Seg-mentation, ZHONGGUO LI, MAOSONG SUN

Kernel Methods for Minimally Supervised WSD, CLAU-DIO GIULIANO, ALFIO MASSIMILIANO GLIOZZO, CARLOSTRAPPARAVAAn Investigation into the Validity of Some Metrics for Auto-matically Evaluating Natural Language Generation Systems,EHUD REITER, ANJA BELZBinarization of Synchronous Context-Free Grammars,LIANG HUANG, HAO ZHANG, DANIEL GILDEA, KEVINKNIGHTAn Empirical Study of Corpus-Based Response AutomationMethods for an E-mail-Based Help-Desk Domain, YUVALMAROM, INGRID ZUKERMANBook ReviewLearning Machine Translation Cyril Goutte, Nicola Can-cedda, Marc Dymetman, and George Foster (editors) Cam-bridge, MA : The MIT Press, 2009, PHIL BLUNSOMLast WordsWhat Science Underlies Natural Language Engineering ?,SHULY WINTNER

COMPUTATIONAL LINGUISTICS V36 no 1 MARCH 2010Broad-Coverage Parsing Using Human-Like MemoryConstraints, WILLIAM SCHULER, SAMIR ABDELRAHMAN,TIM MILLER, LANE SCHWARTZA Graph-Theoretic Framework for Semantic Distance, VI-VIAN TSANG, SUZANNE STEVENSONSummarizing Short Stories, ANNA KAZANTSEVA, STAN SZ-PAKOWICZThe Noisy Channel Model for Unsupervised Word Sense Di-sambiguation, DENIZ YURET, MEHMET ALI YATBAZAutomatically Identifying the Source Words of LexicalBlends in English, PAUL COOK, SUZANNE STEVENSONBook ReviewsRepresentation and Management of Narrative Informa-tion : Theoretical Principles and Implementation, GianPiero Zarri, Springer Verlag (Advanced Information andKnowledge Processing series, edited by Lakhmi Jain andXindong Wu), 2009, FRANK SCHILDERDependency Parsing, Sandra Kübler, Ryan McDonald, andJoakim Nivre, Morgan & Claypool (Synthesis Lectures onHuman Language Technologies, edited by Graeme Hirst,volume 2), 2009, JOHN CARROLLLast WordsFailure is an Orphan (Let’s Adopt), STAN SZPAKOWICZ

NATURAL LAN-GUAGE ENGINEERING

http://journals.cambridge.org/action/displayJournal?

jid=NLE


http://mitpress.mit.edu/catalog/item/default.asp?sid=8563C099-9701-4DD2-85C8-8F3502E9C8AE&ttype=4&tid=10



http://journals.cambridge.org/action/displayJournal?jid=NLE

http://journals.cambridge.org/action/displayJournal?jid=NLE

SOMMAIRE DES REVUES

NLE V16 no 1 2010Learning human multimodal dialogue strategies, V. RIESERand O. LEMONWisdom of crowds versus wisdom of linguists - measu-ring the semantic relatedness of words, TORSTEN ZESCH,IRYNA GUREVYCHDiscourse planning for information composition and deli-very : A reusable platform, CÉCILE PARIS, NATHALIE COLI-NEAU, ANDREW LAMPERT, KEITH VANDER LINDENBook ReviewsLearning Machine Translation, edited by Cyril Goutte, Ni-cola Cancedda, Marc Dymetman and George Foster. MITPress, 2009, MILES OSBORNEChristopher D. Manning, Prabhakar Raghavan, HinrichSchütze, Introduction to Information Retrieval, CambridgeUniversity Press. 2008, MARK SANDERSONErratumRecognizing textual entailment : Rational, evaluation andapproaches - Erratum, IDO DAGAN, BILL DOLAN, BER-NARDO MAGNINI, DAN ROTHPapersFormal and functional assessment of the pyramid methodfor summary content evaluation, REBECCA J. PASSON-NEAURewriting the orthography of SMS messages, FRANÇOISYVONAutomatic summarisation of discussion fora, ALMER S. TI-GELAAR, RIEKS OP DEN AKKER, DJOERD HIEMSTRABook ReviewsPierre M. Nugues. An Introduction to Language Processingwith Perl and Prolog. Springer-Verlag. 2006, ILYAS CICEKLI

USER MODELING AND USER-ADAPTED INTERACTION

http://www.wkap.nl/jrnltoc.htm/0924-1868

UMUAI V19 no 5 DECEMBER 2009CTRL : A research framework for providing adaptive col-laborative learning support, ERIN WALKER, NIKOL RUM-MEL, KENNETH R. KOEDINGERAdaptive systems in the era of the semantic and social web,a survey, ILARIA TORRE

UMUAI V20 no 1 FEBRUARY 2010PERSONAF : framework for personalised ontological reaso-ning in pervasive computing, WILLIAM T. NIU, JUDY KAYA query expansion and user profile enrichment approachto improve the performance of recommender systems ope-rating on a folksonomy, PASQUALE DE MEO, GIOVANNIQUATTRONE, DOMENICO URSINO

Exploring the feasibility of web form adaptation to users’cultural dimension scores, MATÍAS RECABARREN, MI-GUEL NUSSBAUM

COMPUTER SPEECHAND LANGUAGE

http://www.sciencedirect.com/science/journal/

08852308

COMPUTER SPEECH & LANGUAGE V24 no 3 JULY 2010Special issueEmergent Artificial Intelligence Approaches for Pattern Re-cognition in Speech and Language Processing, edited byRODRIGO CAPOBIANCO GUIDO, JOSÉ CARLOS PEREIRA,JAN FRANS WILLEM SLAETSActive learning and semi-supervised learning for speech re-cognition : A unified framework using the global entropyreduction maximization criterion, DONG YU, BALAKRISH-NAN VARADARAJAN, LI DENG, ALEX ACEROSpoken emotion recognition through optimum-path forestclassification using glottal features, ALEXANDER I. ILIEV,MICHAEL S. SCORDILIS, JOÃO P. PAPA, ALEXANDRE X.FALCÃOAdaptively entropy-based weighting classifiers in combi-nation using Dempster-Shafer theory for word sense di-sambiguation, VAN-NAM HUYNH, TRI THANH NGUYEN,CUONG ANH LEVoice conversion by mapping the speaker-specific featuresusing pitch synchronous approach, K. SREENIVASA RAOImproving supervised learning for meeting summarizationusing sampling and regression, SHASHA XIE, YANG LIUVoice activity detection based on statistical models and ma-chine learning approaches, JONG WON SHIN, JOON-HYUKCHANG, NAM SOO KIMImproved voice activity detection algorithm using wa-velet and support vector machine, SHI-HUANG CHEN,RODRIGO CAPOBIANCO GUIDO, TRIEU-KIEN TRUONG,YAOTSU CHANG

COMPUTER SPEECH & LANGUAGE V24 no 4 OCTOBER2010A real-time trained system for robust speaker verificationusing relative space of anchor models, ALI SADEGHI NAINI,M. MEHDI HOMAYOUNPOUR, ABBAS SAMANIBayesian update of dialogue state : A POMDP frameworkfor spoken dialogue systems, BLAISE THOMSON, STEVEYOUNGDiscriminative training of HMMs for automatic speech re-cognition : A survey, HUI JIANGHybrid approach to robust dialog management usingagenda and dialog examples, CHEONGJAE LEE, SANG-KEUN JUNG, KYUNGDUK KIM, GARY GEUNBAE LEE






SOMMAIRE DES REVUES

A gain factor adapted by masking property and SNR varia-tion for speech enhancement in colored-noise corruptions,CHING-TA LU, KUN-FU TSENGDiscriminative classifiers with adaptive kernels for noise ro-bust speech recognition, M.J.F. GALES, F. FLEGOMorpho-syntactic post-processing of N-best lists for im-proved French automatic speech recognition, STÉPHANEHUET, GUILLAUME GRAVIER, PASCALE SÉBILLOTGraphical models for integrating syllabic information,CHRIS D. BARTELS, JEFF A. BILMESRecursive n-gram hashing is pairwise independent, at best,DANIEL LEMIRE, OWEN KASERModeling and synthesis of English regional accents withpitch and duration correlates, QIN YAN, SAEED VASEGHIA blog emotion corpus for emotional expression analysis inChinese, CHANGQIN QUAN, FUJI RENDynamic language modeling for European Portuguese,CIRO MARTINS, ANTÓNIO TEIXEIRA, JOÃO NETO

MACHINE LEARNING


MACHINE LEARNING V78 no 1−2 JANUARY 2010Mining frequent closed rooted trees, JOSÉ L. BALCÁZAR,ALBERT BIFET, ANTONI LOZANOSemi-supervised local Fisher discriminant analysis for di-mensionality reduction, MASASHI SUGIYAMA, TSUYOSHIIDÉ, SHINICHI NAKAJIMA, JUN SESEBayesian generalized probability calculus for density ma-trices, MANFRED K. WARMUTH, DIMA KUZMINPointwise exact bootstrap distributions of ROC curves,CHARLES DUGAS, DAVID GADOURYMethods for the combination of kernel matrices within asupport vector framework, ISAAC MARTÍN DE DIEGO, AL-BERTO MUÑOZ, JAVIER M. MOGUERZALearning the set covering machine by bound minimizationand margin-sparsity trade-off, FRANÇOIS LAVIOLETTE,MARIO MARCHAND, MOHAK SHAH, SARA SHANIANConcept learning in description logics using refinementoperators, JENS LEHMANN, PASCAL HITZLERA comparison of pruning criteria for probability trees,DAAN FIERENS, JAN RAMON, HENDRIK BLOCKEEL,MAURICE BRUYNOOGHE

MACHINE LEARNING V78 no 3 MARCH 2010Random classification noise defeats all convex potentialboosters, PHILIP M. LONG, ROCCO A. SERVEDIOFast learning of relational kernels, NIELS LANDWEHR, AN-DREA PASSERINI, LUC DE RAEDT, PAOLO FRASCONIOn the quest for optimal rule learning heuristics, FREDERIKJANSSEN, JOHANNES FÜRNKRANZ

A cooperative coevolutionary algorithm for instance se-lection for instance-based learning, NICOLÁS GARCÍA-PEDRAJAS, JUAN ANTONIO ROMERO DEL CASTILLO, DO-MINGO ORTIZ-BOYERAlgorithms for subsetting attribute values with Relief, JA-NEZ DEMSAR

MACHINE LEARNING V79 no 1−2 MAI 2010Special Issue

Learning from Multiple Sources ; Guest Editors : NICOLÒCESA-BIANCHI, DAVID R. HARDOON, GAYLE LEENTemporal kernel CCA and its application in multimodalneuronal data analysis, FELIX BIESSMANN, FRANK C. MEI-NECKE, ARTHUR GRETTON, ALEXANDER RAUCH, GRE-GOR RAINER, NIKOS K. LOGOTHETIS,Decomposing the tensor kernel support vector machine forneuroscience data with structured labels, DAVID R. HAR-DOON, JOHN SHAWE-TAYLORMulti-view kernel construction, VIRGINIA R. DE SA, PA-TRICK W. GALLAGHER, JOSHUA M. LEWIS, VICENTE L.MALAVEComposite kernel learning, MARIE SZAFRANSKI, YVESGRANDVALET, ALAIN RAKOTOMAMONJYA co-classification approach to learning from multilingualcorpora, MASSIH-REZA AMINI, CYRIL GOUTTEMulti-domain learning by confidence-weighted parame-ter combination, MARK DREDZE, ALEX KULESZA, KOBYCRAMMERA theory of learning from different domains, SHAI BEN-DAVID, JOHN BLITZER, KOBY CRAMMER, ALEX KULESZA,FERNANDO PEREIRA, JENNIFER WORTMAN VAUGHANEnsemble clustering using semidefinite programming withapplications, VIKAS SINGH, LOPAMUDRA MUKHERJEE, JI-MING PENG, JINHUI XUInfinite factorization of multiple non-parametric views, SI-MON ROGERS, ARTO KLAMI, JANNE SINKKONEN, MARKGIROLAMI, SAMUEL KASKI

MACHINE LEARNING V79 no 3 JUNE 2010Special IssueMachine Learning Algorithms for Event Detection ; GuestEditors : DRAGOS MARGINEANTU, WENG-KEEN WONG,DENVER DASHA multivariate Bayesian scan statistic for early event detec-tion and characterization, DANIEL B. NEILL, GREGORY F.COOPERFast adaptive algorithms for abrupt change detection, DA-NIEL NIKOVSKI, ANKUR JAINIncreasing coverage to improve detection of network andhost anomalies, GAURAV TANDON, PHILIP K. CHANLearning to detect incidents from noisily labeled data,TOMÁS SINGLIAR, MILOS HAUSKRECHT



SOMMAIRE DES REVUES

NEURAL NETWORKS

http://www.elsevier.com/inca/publications/

store/8/4/1/

NEURAL NETWORKS V23 no 1 JANUARY 2010Neural Networks LettersMinimal neuroanatomy for a conscious brain : Homingin on the networks constituting consciousness, EZEQUIELMORSELLA, STEPHEN C. KRIEGER, JOHN A. BARGHTo spike or not to spike : A probabilistic spiking neuron mo-del, NIKOLA KASABOVMathematical and Computational AnalysisEquations of states in singular statistical estimation, SU-MIO WATANABEAsymptotic analysis of Bayesian generalization error withNewton diagram, KEISUKE YAMAZAKI, MIKI AOYAGI, SU-MIO WATANABEDimensionality reduction for density ratio estimation inhigh-dimensional spaces, MASASHI SUGIYAMA, MOTOAKIKAWANABE, PUI LING CHUINew support vector algorithms with parametric insensi-tive/margin model, PEI-YI HAONeocognitron and the Map Transformation Cascade, ÂN-GELO CARDOSO, ANDREAS WICHERTClustering : A neural network approach, K.-L. DULocal coupled feedforward neural network, JIANYE SUNDelayed feedback control of bursting synchronization in ascale-free neuronal network, C.A.S. BATISTA, S.R. LOPES,R.L. VIANA, A.M. BATISTAEngineering and DesignOptimal neurocontroller synthesis for impulse-driven sys-tems, XIAOHUA WANG, S.N. BALAKRISHNANTechnology and ApplicationsAn online incremental learning pattern-based reasoningsystem, SHEN FURAO, AKIHITO SUDO, OSAMU HASE-GAWAA Hopfield Neural Network for combining classifiers ap-plied to textured images, GONZALO PAJARES, MARÍA GUI-JARRO, ANGELA RIBEIRO

NEURAL NETWORKS V23 no 2 MARCH 2010Neural Networks Letter

A simple method for designing efficient small-world neuralnetworks, PENGSHENG ZHENG, WANSHENG TANG, JIAN-XIONG ZHANGNeuroscience and Neuropsychology

A neural model of the temporal dynamics of figure-groundsegregation in motion perception, FLORIAN RAUDIES,HEIKO NEUMANN

A neural network model of Borderline Personality Disorder,CARL H. BERDAHLMathematical and Computational Analysis

Coexistence and local stability of multiple equilibria in neu-ral networks with piecewise linear nondecreasing activationfunctions, LILI WANG, WENLIAN LU, TIANPING CHENDelay-dependent multistability in recurrent neural net-works, GAN HUANG, JINDE CAOOptimal and robust design of brain-state-in-a-box neuralassociative memories, YONMOOK PARKOptimal node perturbation in linear perceptrons with un-certain eligibility trace, KENTARO KATAHIRA, TATSUYACHO, KAZUO OKANOYA, MASATO OKADARobust extraction of local structures by the minimumß-divergence method, MD. NURUL HAQUE MOLLAH,NAYEEMA SULTANA, MIHOKO MINAMI, SHINTO EGUCHITemporal-Kernel Recurrent Neural Networks, ILYA SUTS-KEVER, GEOFFREY HINTONEcho state networks with filter neurons and a delay&sumreadout, GEORG HOLZMANN, HELMUT HAUSERSparse kernel learning with LASSO and Bayesian inferencealgorithm, JUNBIN GAO, PAUL W. KWAN, DAMING SHIEngineering and Design

Self-supervised ARTMAP, GREGORY P. AMIS, GAIL A. CAR-PENTERData splitting for artificial neural networks using SOM-based stratified sampling, R.J. MAY, H.R. MAIER, G.C.DANDYTechnology and Applications

Evolutionary swarm neural network game engine for Cap-ture Go, XINDI CAI, GANESH K. VENAYAGAMOORTHY,DONALD C. WUNSCH IIA maze learning comparison of Elman, long short-term me-mory, and Mona neural networks, THOMAS E. PORTEGYS

NEURAL NETWORKS V23 no 3 APRIL 2010Neural Networks Letter

Delay-dependent stability analysis for continuous-timeBAM neural networks with Markovian jumping parameters,HONGYANG LIU, YAN OU, JUN HU, TINGTING LIUPsychology and Cognitive Science

Initiation and termination of integration in a decision pro-cess, TOBIAS LARSEN, RAFAL BOGACZMathematical and Computational Analysis

Neural belief network, JIANYE SUN



http://www.elsevier.com/inca/publications/store/8/4/1/

http://www.elsevier.com/inca/publications/store/8/4/1/

SOMMAIRE DES REVUES

Memory in linear recurrent neural networks in continuoustime, MICHIEL HERMANS, BENJAMIN SCHRAUWENMulti-directional search from the primitive initial point forGaussian mixture estimation using variational Bayes me-thod, YUTA ISHIKAWA, ICHIRO TAKEUCHI, RYOHEI NA-KANOTSVR : An efficient Twin Support Vector Machine for regres-sion, XINJUN PENGOn the sparseness of 1-norm support vector machines, LIZHANG, WEIDA ZHOUTechnology and Applications

An evaluation of Bayesian techniques for controlling mo-del complexity and selecting inputs in a neural networkfor short-term load forecasting, HENRIQUE S. HIPPERT,JAMES W. TAYLORA fast algorithm for AR parameter estimation using a novelnoise-constrained least-squares method, YOUSHEN XIA,MOHAMED S. KAMEL, HENRY LEUNGA study on the use of imputation methods for experimenta-tion with Radial Basis Function Network classifiers handlingmissing attribute values : The good synergy between RBFNsand EventCovering method, JULIÁN LUENGO, SALVADORGARCÍA, FRANCISCO HERRERAEvaluation of atmospheric Poaceae pollen concentrationusing a neural network applied to a coastal Atlantic climateregion, F.J. RODRÍGUEZ-RAJO, G. ASTRAY, J.A. FERREIRO-LAGE, M.J. AIRA, M.V. JATO-RODRIGUEZ, J.C. MEJUTOEngineering Design

Split quaternion nonlinear adaptive filtering, BUKHARICHE UJANG, CLIVE CHEONG TOOK, DANILO P. MANDICBiased ART : A neural architecture that shifts attention to-ward previously disregarded features following an incorrectprediction, GAIL A. CARPENTER, SAI CHAITANYA GAD-DAMA hybrid CPG-ZMP control system for stable walking of asimulated flexible spine humanoid robot, JIMMY ORLetter to the EditorsA simple linearization of the self-shrinking generator bymeans of cellular automata, AMPARO FÚSTER-SABATER,M. EUGENIA PAZO-ROBLES, PINO CABALLERO-GIL

NEURAL NETWORKS V23 no 4 MAY 2010The 18th International Conference on Artificial Neural Net-works, ICANN 2008, Edited by VERA KURKOVÁ, ROMANNERUDA, JAN KOUTNIŽKAre we there yet ?, NELLO CRISTIANINIComparison of universal approximators incorporating par-tial monotonicity by structure, ALEXEY MININ, MARINAVELIKOVA, BERNHARD LANG, HENNIE DANIELS

Local matrix learning in clustering and applicationsfor manifold visualization, BANCHAR ARNONKIJPANICH,ALEXANDER HASENFUSS, BARBARA HAMMERUnderstanding neurodynamical systems via Fuzzy Symbo-lic Dynamics, KRZYSZTOF DOBOSZ, WLODZISLAW DUCHSemi-supervised learning for tree-structured ensembles ofRBF networks with Co-Training, MOHAMED FAROUK AB-DEL HADY, FRIEDHELM SCHWENKER, GÜNTHER PALMThe performance verification of an evolutionary canonicalparticle swarm optimizer, HONG ZHANG, MASUMI ISHI-KAWASynaptic rewiring for topographic mapping and receptivefield development, SIMEON A. BAMFORD, ALAN F. MUR-RAY, DAVID J. WILLSHAWNeural network model for completing occluded contours,KUNIHIKO FUKUSHIMAOnline learning of shaping rewards in reinforcement lear-ning, MAREK GRZES, DANIEL KUDENKOParameter-exploring policy gradients, FRANK SEHNKE,CHRISTIAN OSENDORFER, THOMAS RÜCKSTIESS, ALEXGRAVES, JAN PETERS, JÜRGEN SCHMIDHUBERComparison of behavior-based and planning techniqueson the small robot maze exploration problem, STANISLAVSLUSNÝ, ROMAN NERUDA, PETRA VIDNEROVÁMeta-learning approach to neural network optimization,PAVEL KORDÍK, JAN KOUTNÍK, JAN DRCHAL, OLEGKOVÁRÍK, MIROSLAV CEPEK, MIROSLAV SNOREK

NEURAL NETWORKS V23 no 5 JUNE 2010

Quantum inspired PSO for the optimization of simulta-neous recurrent neural networks as MIMO learning sys-tems, BIPUL LUITEL, GANESH KUMAR VENAYAGAMOOR-THYAdaptive critics for dynamic optimization, RAGHAVENDRAV. KULKARNI, GANESH KUMAR VENAYAGAMOORTHYPsychology and Cognitive Science

A computational neural model of goal-directed utteranceselection, MICHAEL KLEIN, HANS KAMP, GUENTHERPALM, KENJI DOYANeuroscience and Neuropsychology

A neural support vector machine, MAGNUS JÄNDELMathematical and Computational AnalysisError estimation in the neural network solution of ordinarydifferential equations, CRISTIAN FILICINew study on neural networks : the essential order of ap-proximation, JIANJUN WANG, ZONGBEN XULearning to imitate stochastic time series in a compositio-nal way by chaos, JUN NAMIKAWA, JUN TANI


SOMMAIRE DES REVUES

Efficient exploration through active learning for value func-tion approximation in reinforcement learning, TAKAYUKIAKIYAMA, HIROTAKA HACHIYA, MASASHI SUGIYAMAOf bits and wows : A Bayesian theory of surprise with appli-cations to attention, PIERRE BALDI, LAURENT ITTI

ARTIFICIAL INTELLI-GENCE IN MEDICINE


store/5/0/5/6/2/7/

AI IN MEDICINE V48 no 1 JANUARY 2010

Adopting model checking techniques for clinical guidelinesverification, ALESSIO BOTTRIGHI, LAURA GIORDANO,GIANPAOLO MOLINO, STEFANIA MONTANI, PAOLO TE-RENZIANI, MAURO TORCHIOSemantic SenseLab : Implementing the vision of the Se-mantic Web in neuroscience, MATTHIAS SAMWALD, HUA-JUN CHEN, ALAN RUTTENBERG, ERNEST LIM, LUIS MA-RENCO, PERRY MILLER, GORDON SHEPHERD, KEI-HOICHEUNGSecure construction of k-unlinkable patient records fromdistributed providers, BRADLEY MALINCoding of amino acids by texture descriptors, LORISNANNI, ALESSANDRA LUMINIScalable approach for effective control of gene regulatorynetworks, MEHMET TAN, REDA ALHAJJ, FARUK POLATA hybrid tabu search algorithm for automatically assigningpatients to beds, PETER DEMEESTER, WOUTER SOUF-FRIAU, PATRICK DE CAUSMAECKER, GREET VANDENBERGHE

AI IN MEDICINE V48 no 2−3 FEBRUARY-MARCH 2010Special issue

Artificial Intelligence in Biomedical Engineering and Infor-matics, edited by YONGHONG PENG, YUFENG ZHANG,LIPO WANGA GMM-IG framework for selecting genes as expression pa-nel biomarkers, MINGYI WANG, JAKE Y. CHENAn MLP-based feature subset selection for HIV-1 proteasecleavage site analysis, GILHAN KIM, YEONJOO KIM, HEUI-SEOK LIM, HYEONCHEOL KIMClustering of high-dimensional gene expression data withfeature filtering methods and diffusion maps, RUI XU, STE-VEN DAMELIN, BOAZ NADLER, DONALD C. WUNSCH IIGene- and evidence-based candidate gene selection forschizophrenia and gene feature analysis, JINGCHUN SUN,LENG HAN, ZHONGMING ZHAO

Hierarchically organized layout for visualization of bioche-mical pathways, JYH-JONG TSAY, BO-LIANG WU, YU-SENJENGMethod of regulatory network that can explore protein re-gulations for disease classification, HONG QIANG WANG,HAI LONG ZHU, WILLIAM C.S. CHO, TIMOTHY T.C. YIP,ROGER K.C. NGAN, STEPHEN C.K. LAWMixture classification model based on clinical markers forbreast cancer prognosis, TAO ZENG, JUAN LIUDevelopment of traditional Chinese medicine clinical datawarehouse for medical knowledge discovery and decisionsupport, XUEZHONG ZHOU, SHIBO CHEN, BAOYAN LIU,RUNSUN ZHANG, YINGHUI WANG, PING LI, YUFENGGUO, HUA ZHANG, ZHUYE GAO, XIUFENG YANA new multiple regression approach for the constructionof genetic regulatory networks, SHU-QIN ZHANG, WAI-KI CHING, NAM-KIU TSING, HO-YIN LEUNG, DIANJINGGUOAnalysis of adverse drug reactions using drug and drugtarget interactions and graph-based methods, SHIH-FANGLIN, KE-TING XIAO, YU-TING HUANG, CHUNG-CHENGCHIU, VON-WUN SOO

AI IN MEDICINE V49 no 1 MAY 2010Fuzzy Arden Syntax : A fuzzy programming languagefor medicine, THOMAS VETTERLEIN, HARALD MANDL,KLAUS-PETER ADLASSNIGIntelligent visualization and exploration of time-orienteddata of multiple patients, DENIS KLIMOV, YUVAL SHAHAR,MEIRAV TAIEB-MAIMONA machine learning-based approach to prognostic analysisof thoracic transplantations, DURSUN DELEN, ASIL OZTE-KIN, ZHENYU (JAMES) KONGCombining image, voice, and the patient’s questionnairedata to categorize laryngeal disorders, ANTANAS VERIKAS,ADAS GELZINIS, MARIJA BACAUSKIENE, MAGNUS HÅL-LANDER, VIRGILIJUS ULOZA, MARIUS KASETAClassification of functional voice disorders based on pho-novibrograms, DANIEL VOIGT, MICHAEL DÖLLINGER,THOMAS BRAUNSCHWEIG, ANXIONG YANG, ULRICH EY-SHOLDT, JÖRG LOHSCHELLERModified tabu search approach for variable selection inquantitative structure-activity relationship studies of toxi-city of aromatic compounds, QI SHEN, WEI-MIN SHI, WEIKONG

INTERNATIONAL JOURNAL OFAPPROXIMATE REASONING


store/5/0/5/7/8/7/



http://www.elsevier.com/inca/publications/store/5/0/5/6/2/7/




SOMMAIRE DES REVUES

IJAR V51 no 2 JANUARY 2010Special issue

Bayesian Model Views, edited by JUDY GOLDSMITH, KA-THRYN LASKEY"I can name that Bayesian network in two matrixes !", RUS-SELL G. ALMONDSupporting reliability engineers in exploiting the power ofDynamic Bayesian Networks, LUIGI PORTINALE, DANIELECODETTA RAITERI, STEFANIA MONTANILibrary-style ontologies to support varying model views,LINDA C. VAN DER GAAG, HERMI J.M. TABACHNECK-SCHIJFEnvisioning uncertainty in geospatial information, KA-THRYN BLACKMOND LASKEY, EDWARD J. WRIGHT,PAULO C.G. DA COSTAA Bayesian network model for spatial event surveillance,XIA JIANG, DANIEL B. NEILL, GREGORY F. COOPERA framework for ontologically-grounded probabilistic mat-ching, RITA SHARMA, DAVID POOLE, CLINTON SMYTHDecision-theoretic harmony : A first step, LIANGRONG YI,JUDY GOLDSMITH

IJAR V51 no 3 FEBRUARY 2010Visualization of network structure by the application of hy-pernodes, JAN TERJE BJØRKE, STEIN NILSEN, MARGARETVARGAThe coherence of Lukasiewicz assessments is NP-complete,SIMONE BOVA, TOMMASO FLAMINIOThe orness measures for two compound quasi-arithmeticmean aggregation operators, XINWANG LIUReduction about approximation spaces of covering genera-lized rough sets, TIAN YANG, QINGGUO LI

Tractable approximate knowledge fusion using the Hornfragment of serial propositional dynamic logic, BARBARADUNIN-KEžPLICZ, LINH ANH NGUYEN, ANDRZEJ SZA-LASErrata

Erratum to "Concepts and fuzzy sets : Misunderstandings,misconceptions, and oversights" [IJA 15 (2009) 23-34], RA-DIM BELOHLAVEK, GEORGE J. KLIR, HAROLD W. LEWISIII, EILEEN C. WAYCorrigendum to : "Consensus and dissention : A measure ofordinal dispersion" [Int. J. Approx. Reasoning 45 (2007) 531-545], WILLIAM J. TASTLE, MARK J. WIERMAN

IJAR V51 no 4 MARCH 2010Measures of uncertainty for imprecise probabilities : Anaxiomatic approach, ANDREY BRONEVICH, GEORGE J.KLIRGranular computing applied to ontologies, SILVIA CALE-GARI, DAVIDE CIUCCIHierarchical and conditional combination of belief func-tions induced by visual tracking, JOHN KLEIN, CHRISTÈLELECOMTE, PIERRE MICHÉOn the upper semicontinuity of Choquet capacities, GUOWEI, YANGENG WANG, HUNG T. NGUYEN, DONALD E.BEKENMeasuring consensus in group decisions by means of qua-litative reasoning, LLORENÇ ROSELLÓ, FRANCESC PRATS,NÚRIA AGELL, MÓNICA SÁNCHEZGaussian kernel based fuzzy rough sets : Model, uncertaintymeasures and applications, QINGHUA HU, LEI ZHANG,DEGANG CHEN, WITOLD PEDRYCZ, DAREN YU


LES DOSSIERS DU BULLETIN DE L’AFIA

Les dossiers du bulletin

SMA et transport . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 66IA et entreprises (2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 64Bioinformatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 63IA et entreprises (1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 62Ingénierie du Web et IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 61IA et image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 60Raisonnement à partir de cas . . . . . . . . . . . . . . . . . . . . . . . . . . no 59Multimédia et IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 58Planification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .no 56/57Systèmes d’information . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 55Web sémantique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 54L’IA dans le RNTL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 53IA et diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 52Temps, espace et évolutif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 51Equipes d’IA en France . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 49/50IA et médecine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 48Fouille de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 46/47IA et document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 44IA et connexionnisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .no 43IA et vie artificielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 42IA et CHM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 41IA et EIAH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 40Plates-formes multi-agents . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 39IA et Web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 38Mémoires d’entreprises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .no 36IA et logique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 35Ingénierie des connaissances . . . . . . . . . . . . . . . . . . . . . . . . . .no 34IA et télécommunications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 33

IA et terminologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .no 32Décision et IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 31IA et image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 30Raisonn. temporel et spatial . . . . . . . . . . . . . . . . . . . . . . . . . . . no 29Systèmes multi-agents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 28IA et robotique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 27IA et biologie moléculaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .no 26IA et droit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 25IA et fusion de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 24IA et musique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 23Apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 22Les explications dans les SBC . . . . . . . . . . . . . . . . . . . . . . . . . . no 20Pétrole-chimie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 19Raisonnement à partir de cas . . . . . . . . . . . . . . . . . . . . . . . . . . no 18IA et temps-réel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 17Planification et action . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 16Traitement automatique des langues . . . . . . . . . . . . . . . . . .no 15IA et médecine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 14Diagnostic à base de modèles . . . . . . . . . . . . . . . . . . . . . . . . . no 13Validation des SBC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 12Le connexionnisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 11IA et jeux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 10EIAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 9IA et gestion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 8Conception et IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 7Intelligence artificielle distribuée . . . . . . . . . . . . . . . . . . . . . . . no 6Acquisition des connaissances . . . . . . . . . . . . . . . . . . . . . . . . . .no 5IA et ordonnancement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . no 4



Adhésion individuelle et abonnement � Demande � RenouvellementNom : Prénom :Affiliation :Adresse postale :No de téléphone : No de télécopie :Adresse électronique :Activité (à titre professionnel / à titre privé (rayer la mention inutile)) :

Type d’adhésion Consultation du bulletin sur WEB(pour une personne)

Envoi du bulletin papier annuel spécialDossiers + consultation du bulletin sur le

WEB� Simple : 30e 40e� Étudiant (sur justificatif) : 15e 20e� Soutient : Sans objet 90e� Bulletin sans adhésion : Sans objet 55e

� Adhésion au collège IAD-SMA : ajouter 7,5e pour les étudiants, 15e pour les autres� Adhésion au collège FERA (Apprentissage) : ajouter 7,5e pour les étudiants, 15e pour les autres

Adhésion personne morale� Demande � Renouvellement

Organisme :Adresse postale commune aux bénéficiaires couverts par cette adhésion :Nom et prénom du représentant : Fonction :Mél : Tél : Fax :Adresse postale :

Le tarif d’adhésion comprend une partie fixe et une partie par bénéficiaire.Coordonnées des bénéficiaires (10 maximum) :

Nom, prénom Mél. Tél. Fax

Tarif de base fixe : Tarif par bénéficiaire :� Laboratoire universitaires 150e Gratuit limité à 5� Personnes morales non universitaires 450e Gratuit� Adhésion de soutien 600e Sans objet

� j’accepte que les renseignements ci-dessus apparaissent dans l’annuaire de l’AFIA� j’accepte que les renseignements ci-dessus soient transmis à l’ECCAI pour constituer un ficher européen

Veuillez trouver un règlement (à l’ordre de l’AFIA) de . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Euros

Trésorier AFIA : Marie-Carol LOPES, LRI, Bâtiment 490, Université Paris-Sud, 91405 Orsay, France.Mode d’adhésion :De préférence, en ligne via le site Internet de l’AFIA : http://www.afia-france.orgA défaut, cette page doit être envoyée au trésorier.Modes de paiement :

1. par chèque, à l’ordre de l’AFIA, envoyé au trésorier ;

2. par bon de commande administratif, à l’ordre de l’AFIA, envoyé au trésorier ;

3. par virement bancaire sur le compte de l’AFIA : Société Générale, 4 T rue de Paris, 91400 Orsay, France. Codebanque 30003, code guichet 01902, numéro de compte 00037283856 clef RIB 39.



SOMMAIRE DU BULLETIN NO 70

Editorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3

Présentation de laboratoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4

I.A. et Robotique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

L’I.A. au Québec . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Dossier I.A. et Industrie (3). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10

PIRSTEC - Prospective en Sciences et Technologies Cognitives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

Compte-rendu de Toth 2010 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

Prix CAP’10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

Sommaire des revues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

Les dossiers du bulletin de l’AFIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .37

CALENDRIER DE PARUTION

DU BULLETIN DE L’AFIAHiver Été

Réception des contributions: Réception des contributions:15 décembre 15 juin

Sortie le 31 janvier Sortie le 31 juilletPrintemps Automne

Réception des contributions: Réception des contributions:15 mars 15 septembre

Sortie le 30 avril Sortie le 31 octobre



BULLETIN DE L’AFIA · E L Préparation de la Plate-forme AFIA 2011 Ce numéro d’été contient...

Documents

Transcript of BULLETIN DE L’AFIA · E L Préparation de la Plate-forme AFIA 2011 Ce numéro d’été contient...