CAp est un rassemblement interdisciplinaire de chercheurs à l'intersection de l'apprentissage automatique, des mathématiques appliquées et des domaines connexes. La date limite de soumission est; le 14 avril, 2017 à 23h59, pour les abstracts et le 21 avril, 2017 à 23h59 pour les articles; avec notifications finale le 26 mai, 2017. Veuillez utiliser le site
EasyChair pour toutes les soumissions.
Nous encourageons à soumettre à CAp les articles soumis et/ou récemment acceptés dans les grandes conférences internationales. Les soumissions peuvent être faites en français ou en anglais et nous encourageons deux types de format:
- Articles longs de 10 pages maximum sur le thème de l'apprentissage automatique et de ses applications. Le style Latex est accessible via le lien suivant cap2017.tar.gz.
- Articles courts de 4 à 6 pages dévéloppant une idée originale, en utilisant le même style que précédemment.
Les auteurs des articles acceptés sont alors invités à présenter oralement leurs travaux et aussi lors d'une session poster dédiée. Cette session est l'occasion de recevoir un retour constructif et rigoureux des travaux, et d'établir des contacts. Les doctorants sont particulièrement bienvenus et encouragés à soumettre. Les contributions seront diffusées librement sur Internet si les auteurs en donnent leur l'accord
Le comité de programme de CAp 2017 vous invite à soumettre vos travaux dans le domaine de l'apprentissage automatique. Les communications pourront aborder des aspects fondamentaux ou appliqués des thèmes, non exclusifs, suivants :
- Théorie de l'apprentissage, modèles et paradigmes
- Apprentissage actif
- Apprentissage en ligne
- Apprentissage multi-cibles, multi-tâches, multi-instances, multi-vues et transfert
- Apprentissage non-supervisé et semi-supervisé
- Apprentissage par renforcement
- Apprentissage relationnel
- Apprentissage de représentations
- Apprentissage symbolique
- Algorithmes de Bandit
- Factorisation de matrices et de tenseurs
- Inférence grammaticale
- Méthodes à noyaux
- Méthodes Bayésiennes
- Méthodes spectrales
- Méthodes stochastiques
- Méthodes ensemblistes et boosting
- Modèles graphiques
- Processus Gaussiens
- Réseaux de neurones et apprentissage profond
- Théorie de l'apprentissage
- Théorie des jeux
- Optimisation et problématiques connexes
- Apprentissage et passage à l'échelle
- Algorithmes d'optimisation
- Optimisation distribuée
- Apprentissage et données structurées (données spatio-temporelles, arbres, graphes)
- Prédiction avec des données manquantes
- Applications
- Analyse de réseaux sociaux
- Analyse de séries temporelles
- Bioinformatique
- Fouille de données
- Neurosciences computationnelles
- Traitement automatique du langage naturel
- Recherche d'information
- Vision
