Projet national

  • VERT
    • - le vélo évalué en rabattement dans les territoires

Fiche personnelle

Fiche personnelle de COME Etienne

  • Présentation

    Fonction : Chercheur
    14-20 Boulevard Newton - Champs-sur-Marne - 77447 Marne-la-Vallée Cedex 2 - Bâtiment : Bienvenüeetienne.come(at)ifsttar.frTel :01 81 66 87 18 Port :00 00

    Affectation : COSYS - GRETTIA


    Description

    Etienne Côme a obtenu un diplôme d'ingénieur en informatique ainsi qu'un master de l'Université de Technologie de Compiègne en 2005. Il a ensuite effectué une thèse à l’INRETS durant laquelle il a en particulier travaillé sur l'apprentissage semi-supervisé dans le cadre d'application de diagnostic. Ces travaux l'ont ensuite amené à effectuer un post-doc à l'Université Paris 1 sur les techniques d'apprentissage non supervisé. Depuis 2010, Etienne Côme est chargé de Recherche à l'Ifsttar – GRETTIA où il développe des recherches sur des méthodes de data mining, de machine learning et d’analyse de graphes dans le cadre d'applications sur l’analyse des données de mobilité ou de données de population.

    Quelques Publications

    E. Côme, P. Latouche. Model selection and clustering in stochastic block models with the exact integrated complete data likelihood. To appear in Statistical Modelling.[arXiv][pdf]

    P.A. Laharotte, R. Billot, E. Côme, L. Oukhellou, A. Nantes, N.E. El Faouzi. Spatiotemporal Analysis of Bluetooth Data: Application to a Large Urban Network. Transactions on Intelligent Transportation Systems (99) : 1-10, 2014.

    E. Côme, L. Oukhellou. Model-based count series clustering for Bike-sharing system usage mining, a case study with the Vélib’ system of Paris. ACM TIST 5(3), 21014. [pdf]

    A. Randriamanamihaga, E. Côme, L. Oukhellou and G. Govaert. Clustering the Vélib’ origin-destinations flows by means of Poisson mixture models. Neurocomputing 141(2) : 124–138, 2014. [preprint]

    E. Côme and E. Diemert. The Noise Cluster Model, a Greedy Solution to the Network Community Extraction Problem. I3, 11(3), 2011. [pdf]

    Z. Cherfi, E. Côme, L. Oukhellou, T. Denoeux and P. Aknin. Partially supervised Independent Factor Analysis using soft labels elicited from multiple experts: application to railway track circuit diagnosis. Soft Computing, 16(5) :741-754, 2012.

    E. Côme, L. Oukhellou, T. Denoeux and P. Aknin. Fault diagnosis of a railway device using semi-supervised independent factor analysis with mixing constraints. Pattern Analysis and Applications, 15(3) :313-326, 2012. [pdf]

    E. Côme, L. Oukhellou, T. Denoeux and P. Aknin. Learning from partially supervised data using mixture models and belief functions. Pattern Recognition,42(3) :334–348, 2009. [pdf]

    L. Oukhellou, E. Côme, L. Bouillaut and P. Aknin. Combined use of sensor data and structural data processed by bayesian network. application to a railway diagnosis aid scheme. Transportation Research Part C,16(6) :755–767, 2008.

    A. Samé, L. Oukhellou, E. Côme, and P. Aknin. Mixture-model-based signal denoising. Advances in Data Analysis and Classification (ADAC), 1(1):39–51, 2007. [pdf]

  • Projets