WorldCat Identities

Leger, Jean-Benoist (1986-....).

Overview
Works: 4 works in 5 publications in 1 language and 7 library holdings
Roles: Author, Contributor, Thesis advisor
Publication Timeline
.
Most widely held works by Jean-Benoist Leger
Modelling the influence of dimerisation sequence dissimilarities on the auxin signalling network by Jonathan Legrand( )

1 edition published in 2016 in English and held by 2 WorldCat member libraries worldwide

Detection of structurally homogeneous subsets in graphs by Jean-Benoist Leger( )

1 edition published in 2013 in English and held by 2 WorldCat member libraries worldwide

Modelling the topology of ecological bipartite networks with statistical models for heterogeneous random graphs by Jean-Benoist Leger( Book )

2 editions published in 2014 in English and held by 2 WorldCat member libraries worldwide

Un réseau écologique constitue une représentation de l'ensemble des interactions entre espèces dans un contexte donné. L'analyse de la structure topologique de ces réseaux permet aux écologues d'identifier et de comprendre les processus sous-jacents. La détection de sous-groupes d'espèces interagissant fortement ensemble, souvent nommés communautés o compartiments, est un des principaux moyens pour interpréter la structure sous-jacente des réseaux. Il existe de nombreuses méthodes de classification non supervisée, qui peuvent être utilisées pour analyser des réseaux écologiques. L'analyse des réseaux est actuellement un sujet de recherche en pleine expansion avec des applications dans des domaines de recherches variés. À notre connaissance, il n'existe pas de comparaison des méthodes de classification non supervisée dans le cas des réseaux écologique. Nous avons effectué une revue des méthodes disponibles de classification non supervisées des noeuds, et nous les avons comparé dans un contexte écologique. Afin d'évaluer la contribution des différents processus expliquant la structure d'un réseau, nous avons introduit de l'information extérieure au réseau. Nous avons analysé deux réseaux d'interaction arbre-champignon et arbre-insecte. Ces résultats sont préliminaires, mais la méthode semble ouvrir des perspectives intéressantes en écologie. Nous avons également étudié un réseau écologique de nature différente, un réseau de reproduction entre arbres. Nous avons utilisé ces résultats pour discuter d'un concept central en écologie, le concept d'espèce
Random graph clustering for collaborative filtering by Gabriel Frisch( )

1 edition published in 2021 in English and held by 1 WorldCat member library worldwide

Le filtrage collaboratif est une méthode qui vise à construire automatiquement des filtres personnalisés en utilisant les avis d'utilisateurs dans le but de leur proposer une liste restreinte d'objets qu'ils pourraient le plus apprécier. Les avis recueillis auprès de ces utilisateurs fournissent la base collaborative pour réaliser des prédictions sur les avis manquants. La proportion de données manquantes, c'est à dire d'avis non fournis par les utilisateurs, est généralement importante dans les systèmes de recommandation. Dans certains cas, ces données manquantes peuvent être informatives et l'ignorer peut mener à des mauvaises conclusions. La plupart des méthodes de filtrage collaboratif n'utilisent pas ces données manquantes pour en extraire de l'information. Dans cette thèse, nous voulons exploiter ces données manquantes en proposant des modèles qui supposent que les avis des utilisateurs ne manquent pas au hasard (MNAR). L'approche se base sur le modèle à blocs latents, un modèle de co-clustering génératif dont les régularités permettent de prédire les avis manquants. L'équité de la recommandation est un des autres problèmes majeurs du filtrage collaboratif. L'équité est souvent vaguement définie comme la qualité de traiter les gens avec justesse et impartialité. Bien qu'imprécise, cette définition stipule que l'équité du traitement fait référence à certains attributs protégés partagés par des groupes de personnes, tels que le sexe, l'âge, l'origine ethnique, le groupe socio-économique, etc. Ces dernières années, les travaux de recherche ont mis en évidence un manque d'équité dans les décisions prises par les algorithmes de filtrage collaboratif. Le modèle statistique que nous présentons dans cette thèse génère un co-clustering des utilisateurs et des objets du système tout en essayant de respecter une parité statistique des utilisateurs vis-à-vis de leurs attributs protégés. Nous donnons des garanties théoriques assurant une recommandation équitable quand la parité statistique des utilisateurs est bien respectée
 
Audience Level
0
Audience Level
1
  General Special  
Audience level: 0.94 (from 0.84 for Random gra ... to 0.97 for Modelling ...)

Languages