AG BioSiS

14 décembre 2023 @ 9h00 – 16h00 – https://maps.app.goo.gl/Qk6KqPUmzZHQDqMm9

Réunion SyRaNNO/BioSiS

8 janvier 2024 @ 13h00 – 14h00 – Réunions en mode hybride : salle de réunion site Médecine et visioconférence. Réunion de permanents – Journal Club – Séminaires.

Bureau BioSiS

11 janvier 2024 @ 12h45 – 14h30 – Ordre du jour : 1. Informations CR de l’équipe de direction du 22/12/2023 EC/C du département à partir du 01/01/2024 prématurations CNRS 2024 production scientifique 2023 ; points publications 2. Soutenances de thèses et d’HDR 2024 3. Dépenses prévisionnelles des projets 4. Détails sur le budget 2024 5. PEPITs 2023 & newsletter 6. Questions diverses

Réunion SyRaNNO/BioSiS

15 janvier 2024 @ 13h00 – 14h00 – Réunions en mode hybride : salle de réunion site Médecine et visioconférence. Réunion de permanents – Journal Club – Séminaires.

Séminaire Shuyu Dong

19 janvier 2024 @ 15h00 – 16h00 –

Matrix and tensor decomposition plays a crucial role in addressing various real-world problems related to topics such as statistical inference, data acquisition, and data restoration. In this talk, we start with low-rank matrix/tensor models for the data completion problem [1,2]. We tackle this problem in the framework of low-rank matrix/tensor decomposition with a least-squares model. These rank-constrained problems are known not only for their low computational complexity but also the capability of extracting the most important information in the data. We discuss a type of Riemannian gradient-based algorithms that exploit the structure of these rank-constrained models. Secondly, we present a novel application of low-rank matrix methods in the context of causal structure learning. We will show how low-rank matrix decomposition, in combination with a sparse mask operator, can be used to efficiently find directed acyclic graphs (DAGs) proximal to a given graph (with cycles). Furthermore, for learning causal DAGs from observational data, we present a sparse matrix decomposition method [4] and discuss its efficiency through experiments on synthetic and real-world data.
[1] S. Dong, P.-A. Absil, and K. A. Gallivan, Riemannian gradient descent methods for graph-regularized matrix completion. Linear Algebra and its Applications 623 (2021), 193-235
[2] S. Dong, B. Gao, Y. Guan, and F. Glineur, New Riemannian preconditioned algorithms for tensor completion via polyadic decomposition, SIAM Journal on Matrix Analysis and Applications 43 (2) (2022), 840-866
[3] S. Dong and M. Sebag, From graphs to DAGs: a low-complexity model and a scalable algorithm, European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD), 2022
[4] S. Dong, K. Uemura, A. Fujii, S. Chang, Y. Koyanagi, K. Maruhashi, and M. Sebag, Learning large causal structures from inverse covariance matrix via matrix decomposition, arXiv preprint arXiv:2211.14221, 2023

Réunion SyRaNNO/BioSiS

22 janvier 2024 @ 13h00 – 14h00 – Réunions en mode hybride : salle de réunion site Médecine et visioconférence. Réunion de permanents – Journal Club – Séminaires.

Séminaire David Brasse

22 janvier 2024 @ 13h00 – 14h00 – L’équipe SyRaNNO accueille David Brasse , DR CNRS à l’IPHC, qui présentera ses activités en imagerie moléculaire et oncologie préclinique. Résumé : L’équipe Imagerie Moléculaire de l’Institut Pluridisciplinaire Hubert Curien (CNRS, UMR 7178) travaille, depuis sa création, au développement d’outils permettant de visualiser in-vivo des mécanismes à l’échelle moléculaire en imagerie nucléaire préclinique. Du développement […]

Réunion SyRaNNO/BioSiS

29 janvier 2024 @ 13h00 – 14h00 – Réunions en mode hybride : salle de réunion site Médecine et visioconférence. Réunion de permanents – Journal Club – Séminaires.