Similarity of Options and the Measurement of Diversity

This paper analyzes the measurement of the diversity of sets based on the dissimilarity of the objects contained in the set. We discuss axiomatic approaches to diversity measurement and examine the considerations underlying the application of specific measures. Our focus is on descriptive issues: rather than assuming a specific ethical position or restricting attention to properties that are appealing in specific applications, we address the foundations of the measurement issue as such in the context of diversity.

Objective neuropsychological deficits in post-traumatic stress disorder and mild traumatic brain injury: what remains beyond symptom similarity?

This exploratory study intends to characterize the neuropsychological profile in persons with post-traumatic stress disorder (PTSD) and mild traumatic brain injury (mTBI) using objective measures of cognitive performance. A neuropsychological battery of tests for attention, memory and executive functions was administered to four groups: PTSD (n = 25), mTBI (n = 19), subjects with two formal diagnoses: Post-traumatic Stress Disorder and Mild Traumatic Brain Injury (mTBI/PTSD) (n = 6) and controls (n = 25). Confounding variables, such as medical, developmental or neurological antecedents, were controlled and measures of co-morbid conditions, such as depression and anxiety, were considered. The PTSD and mTBI/PTSD groups reported more anxiety and depressive symptoms. They also presented more cognitive deficits than the mTBI group. Since the two PTSD groups differ in severity of PTSD symptoms but not in severity of depression and anxiety symptoms, the PTSD condition could not be considered as the unique factor affecting the results. The findings underline the importance of controlling for confounding medical and psychological co-morbidities in the evaluation and treatment of PTSD populations, especially when a concomitant mTBI is also suspected.

Learning representations for Information Retrieval

La recherche d'informations s'intéresse, entre autres, à répondre à des questions comme: est-ce qu'un document est pertinent à une requête ? Est-ce que deux requêtes ou deux documents sont similaires ? Comment la similarité entre deux requêtes ou documents peut être utilisée pour améliorer l'estimation de la pertinence ? Pour donner réponse à ces questions, il est nécessaire d'associer chaque document et requête à des représentations interprétables par ordinateur. Une fois ces représentations estimées, la similarité peut correspondre, par exemple, à une distance ou une divergence qui opère dans l'espace de représentation. On admet généralement que la qualité d'une représentation a un impact direct sur l'erreur d'estimation par rapport à la vraie pertinence, jugée par un humain. Estimer de bonnes représentations des documents et des requêtes a longtemps été un problème central de la recherche d'informations. Le but de cette thèse est de proposer des nouvelles méthodes pour estimer les représentations des documents et des requêtes, la relation de pertinence entre eux et ainsi modestement avancer l'état de l'art du domaine. Nous présentons quatre articles publiés dans des conférences internationales et un article publié dans un forum d'évaluation. Les deux premiers articles concernent des méthodes qui créent l'espace de représentation selon une connaissance à priori sur les caractéristiques qui sont importantes pour la tâche à accomplir. Ceux-ci nous amènent à présenter un nouveau modèle de recherche d'informations qui diffère des modèles existants sur le plan théorique et de l'efficacité expérimentale. Les deux derniers articles marquent un changement fondamental dans l'approche de construction des représentations. Ils bénéficient notamment de l'intérêt de recherche dont les techniques d'apprentissage profond par réseaux de neurones, ou deep learning, ont fait récemment l'objet. Ces modèles d'apprentissage élicitent automatiquement les caractéristiques importantes pour la tâche demandée à partir d'une quantité importante de données. Nous nous intéressons à la modélisation des relations sémantiques entre documents et requêtes ainsi qu'entre deux ou plusieurs requêtes. Ces derniers articles marquent les premières applications de l'apprentissage de représentations par réseaux de neurones à la recherche d'informations. Les modèles proposés ont aussi produit une performance améliorée sur des collections de test standard. Nos travaux nous mènent à la conclusion générale suivante: la performance en recherche d'informations pourrait drastiquement être améliorée en se basant sur les approches d'apprentissage de représentations.

Molecular protein function prediction using sequence similarity-based and similarity-free approaches

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.