L’ensemble des activités de recherche prévues pour ce séminaire s’inscrit dans le cadre de l’apprentissage semi-supervisé, au sens large, pour l’extraction de connaissances à partir de données. Dans cette thématique, on s’intéresse à l’analyse de données partiellement étiquetées qui peut être abordée selon deux grandes familles d’approches. La première est basée sur la propagation de la "supervision", en vue de l’apprentissage supervisé. La seconde est fondée sur la transformation des données étiquetées en contraintes pour leur intégration dans un processus non-supervisé. Les travaux abordées s’inscrivent dans la deuxième famille d’approches avec une difficulté particulière. Il s’agit d’apprendre à partir de données dont la partie étiquetée est relativement réduite par rapport à la partie non-étiquetée. Pour ce faire, on s'intéresse particulièrement aux modèles topologiques d’une part, et à l’analyse spectrale de graphes d’autre part. En s'appuyant sur ces modèles, l'objectif est de répondre à plusieurs questions qui sont souvent posées dans les communautés d’apprentissage automatique et de fouille de données, et qui demeurent toujours d’actualité. Les réponses à ces questions se traduisent par quelques contributions qui constitueront le cœur de ce séminaire : (1) Clustering topologique sous contraintes et (2) sélection de variables en mode semi-supervisé en mono et multi-labels et (3) co-sélection instances/variables en mode semi-supervisé. Enfin, quelques travaux en cours seront présentés en annexe autour de la régression semi-supervisée, appuyés par des applications réelles.