SĂ©minaire du LPTMS: Isabelle Guyon

Network Reconstruction: the Contribution of Challenges in Machine Learning

Isabelle Guyon (Laboratoire de Recherche en Informatique, Université Paris-Sud)

Networks of influence are found at all levels of physical, biological, and societal systems: climate networks, gene networks, neural networks, and social networks are a few examples. These networks are not just descriptive of the “State of Nature”, they allow us to make predictions such as forecasting disruptive weather patterns, evaluating the possible effect of a drug, locating the focus of a neural seizure, and predicting the propagation of epidemics. This, in turns, allows us to device adequate interventions or change in policies to obtain desired outcomes: evacuate people before a region is hit by a hurricane, administer treatment, vaccinate, etc. But knowing the network structure is a prerequisite, and this structure may be very hard and costly to obtain with traditional means. For example, the medical community relies on clinical trials, which cost millions of dollars; the neuroscience community engages in connection tracing with election microscopy, which take years before establishing the connectivity of 100 neurons (the brain contains billions).

This presentation will review recent progresses that have been made in network reconstruction methods based solely on observational data. Great advances have been recently made using machine learning. We will analyze the results of several challenges we organized, which point us to new simple and practical methodologies.

 

La reconstruction du rĂ©seau: la contribution des dĂ©fis en Machine Learning : Les rĂ©seaux d’influence se retrouvent Ă  tous les niveaux des systèmes physiques, biologiques et sociaux: rĂ©seaux climatiques, rĂ©seaux de gènes, rĂ©seaux de neurones, et rĂ©seaux sociaux en sont quelques exemples. Ces rĂ©seaux ne sont pas seulement descriptif d’un «état de la nature», ils nous permettent de faire des prĂ©dictions telles que la prĂ©vision des conditions mĂ©tĂ©orologiques, l’Ă©valuation de l’effet possible d’un mĂ©dicament, la localisation d’un foyer Ă©pileptique, et la prĂ©vision de la propagation des Ă©pidĂ©mies. Ceci nous permet alors d’intervenir pour obtenir les rĂ©sultats souhaitĂ©s: Ă©vacuer les populations d’une rĂ©gion avant qu’elle soit frappĂ©e par un ouragan, administrer un traitement, vacciner, etc. Mais la connaissance de la structure du rĂ©seau est une condition prĂ©alable Ă  l’application de ces mĂ©thodes, et cette structure peut ĂŞtre très difficile et coĂ»teuse Ă  obtenir avec des moyens traditionnels. Par exemple, la communautĂ© mĂ©dicale s’appuie sur les essais cliniques, qui coĂ»tent des millions de dollars; la communautĂ© des neurosciences analyse des images de microscopie Ă©lectorale, ce qui prendra des annĂ©es avant d’Ă©tablir la connectivitĂ© de 100 neurones (alors que le cerveau en contient des milliards).

Cette prĂ©sentation examinera les rĂ©cents progrès qui ont Ă©tĂ© faits dans les mĂ©thodes de reconstruction de rĂ©seaux fondĂ©es uniquement sur des donnĂ©es d’observation. De grands progrès ont Ă©tĂ© rĂ©cemment rĂ©alisĂ©s grâce Ă  l’apprentissage des machines (machine learning). Nous allons analyser les rĂ©sultats de plusieurs dĂ©fis que nous avons organisĂ©es, qui nous pointent vers de nouvelles mĂ©thodes simples et pratiques.


Date/Time : 27/09/2016 - 11:00 - 12:00

Location : LPTMS, salle 201, 2ème étage, Bât 100, Campus d'Orsay

Upcoming seminars