Atelier de la conférence EGC 2025
Strasbourg, 28 janvier 2025
Les graphes de connaissances et les ontologies sont de plus en plus exploités pour des applications différentes (question-answering, Recherche d’information, Recommandation,..).et dans des domaines variés (Entreprise, Formation, Santé, ..).Leur construction a été au cœur de nombreuses approches, progressant d'une élaboration entièrement manuelle vers des techniques semi-automatiques, puis automatiques. Avec l'avènement des nouvelles techniques d'apprentissage automatique, notamment le Deep Learning et les LLMs (Large Language Models), de nombreux outils et méthodes innovants ont émergé pour optimiser et automatiser cette construction à grande échelle. De plus, ces graphes de connaissances et ontologies jouent désormais un rôle central dans diverses approches avancées, utilisant par exemple, des modèles comme les réseaux de neurones graphiques (GNN), afin de mieux exploiter les relations entre données et améliorer les performances dans de nombreux domaines d'application.
Objectifs :
L’objectif de cet atelier est de faire le point sur les avancées concernant les graphes de connaissances (KG) et les ontologies selon trois axes : leur apprentissage, leur utilisation pour l’apprentissage, et leur exploitation dans divers domaines et applications. Cet atelier offrira l'opportunité aux chercheurs académiques et aux industriels intéressés par cette thématique de partager leurs travaux, et de créer des synergies en vue de collaborations et projets communs.
Approches d’apprentissage semi-automatique/automatique de graphes de connaissances et d’ontologie :
Apprentissage automatique supervisé ou non supervisé avec des algorithmes classiques (SVM, arbre de décision, KMeans, CDBSCAN, etc.) pour la construction des graphes de connaissances et ontologies ;
Deep Learning (y compris les GNNs) pour l'apprentissage des graphes de connaissances et ontologies ;
Modèles de langage à grande échelle (LLM) pour la création et l'enrichissement des graphes de connaissances et ontologies ;
Approches hybrides et autres techniques innovantes.
Utilisation des graphes de connaissances et ontologies en Machine Learning/Deep Learning et dans les MLL
Graphes de connaissances et ontologies pour les « representations/features learning » ;
Graphe de connaissances et ontologies pour l’apprentissage automatique supervisé ou non supervisé avec des algorithmes classiques (SVM, arbre de décision, KMeans, etc.) ;
Graphes de connaissances et ontologies pour le Deep Learning ;
Graphes de connaissances et ontologies pour les LLM (Large Language Models)
Connaissance préalable (Prior Knowledge) pour le fine-tuning des PLM et LLM.
Graphes de connaissances et ontologies pour la mitigation et la correction de « hallucinations » dans les LLM.
Knowledge Graph and Ontology pour des domaines et applications variés
Domaines : Entreprise, Santé, Géographie, Formation et Eudcation, Science et recherche, Culture et patrimoine, etc.
Application : Question-answering, recherche d’information, Retrieval Augmented Generation (RAG), recommandation, classification de textes et annotation sémantique, Analyse prédictive et décisionnelle, etc.
Mounira HARZALLAH, LS2N, Université de Nantes
Davide BUSCALDI, LIPN, Université Sorbonne Paris Nord