Mathématiques et informatique appliquées - Paris - MIA-Paris

Cette équipe développe des méthodes de modélisation et d’apprentissage statistiques pour les sciences du vivant. 

SOLsTIS développe et diffuse des méthodes statistiques de modélisation et d’apprentissage avec application aux sciences du vivant, en particulier en génomique, génétique, biologie intégrative, écologie, risques environnementaux, santé animale et végétale, épidémiologie, agronomie, etc…

L’équipe composée d’une vingtaine de membres permanents (personnels INRAE et AgroParisTech) présente un large spectre de compétences en modélisation, statistiques bayésiennes, processus stochastiques, apprentissage statistique, optimisation, algorithmes stochastiques, etc. Les problèmes traités sont en général issus des sciences du vivant et de l’environnement, et aboutissent à la publication d’articles en statistiques et dans le domaine d’application et ainsi qu’à la production d’outils informatiques (packages, applications…).

Thèmes de recherche

• Analyse et inférence de réseaux et de graphes aléatoires
• Modélisation des trajectoires
• Statistiques spatiales et spatio-temporelles
• Extrêmes multivariés
• Modèles à variables latentes et algorithmes d’optimisation associés
• Données de grande dimension avec dépendances complexes
• Apprentissage supervisé (classification, régression) et non-supervisé (réduction de dimension, clustering)
• Mathématiques et optimisation pour l’apprentissage profond
• Algorithmes stochastiques
• Modèles d’évolution

Domaines d’application

• Agronomie, agro-écologie
• Ecologie
• Risques environnementaux, risque alimentaire
• Climat
• Santé animale, végétale, humaine
• Génétique
• Données omiques, métagénomique

Cette équipe est née au 1er janvier 2020, suite à l’intégration des membres de l’équipe Malices du département SayFood (ex GMPA) dans l’équipe Link.

Les activités de recherche de l’équipe EkINocs sont dédiées aux méthodologies de sciences de données, en particulier apprentissage automatique et ingénierie des connaissances, et à la modélisation interactive avec des experts des domaines étudiés. Les sciences des données visent à extraire des connaissances à partir de données. Cela implique plusieurs problèmes :

• préparer les données qui sont rarement prêtes à être analysées directement et
• mettre en œuvre, voire inventer, des méthodes d’analyse et de visualisation, adaptées au problème étudié.

Thèmes de recherche

• Étude et applications des méthodes d’apprentissage automatique pour traiter des données en flux : la classification précoce de séries temporelles, l’apprentissage par transfert, l’apprentissage collaboratif, l’alignement de descriptions structurées
• La mise au point de méthodes d’apprentissage par transfert entre domaines et entre tâches d’apprentissage
• La mise au point de méthodes d’aide à la décision multicritères dans des systèmes complexes 
• La modélisation et l’exploitation des données et connaissances issues de sources multiples et hétérogènes en produisant des représentations sémantiques permettant la prise en compte des connaissances expertes
• Optimisation : résolution de problèmes de satisfaction de contraintes dans des domaines de valeurs discrètes, algorithmes évolutionnistes 
• Visualisation

Domaines d’application

• Alimentation : analyse et modification des habitudes de consommation alimentaire, procédés de transformation alimentaires, rupture dans la chaîne du froid
• Agriculture :  agriculture numérique, suivi et interprétation de séries temporelles d’images satellitaires, analyse d’images par drone 
• Écologie : évolution de la biodiversité dans des zones particulières