Direction de recherche : Patrick GALLINARI

Incorporation de connaissance physique dans des réseaux de neurones profonds

Un processus physique est un phénomène marqué par des changements d'une série d'états successifs se produisant dans le monde physique. Les physiciens et les climatologues tentent de modéliser ces processus en se fondant sur une description analytique des connaissances a priori, issus des mécanismes physiques sous-jacents. Malgré le succès indéniable de l'apprentissage profond, une approche entièrement axée sur les données n'est pas encore prête à remettre en question l'approche classique de modélisation physique.

Nous montrerons dans cette thèse que les connaissances et les techniques accumulées pour modéliser des processus de systèmes dynamiques dans des domaines bien développés tels que les mathématiques ou la physique pourraient servir de guide pour concevoir des systèmes d'apprentissage automatique efficaces ; inversement, nous verrons que l'apprentissage machine pourrait ouvrir de nouvelles directions pour la modélisation de phénomènes très complexes.

Nous décrivons trois tâches pertinentes à l'étude et à la modélisation du lien entre l'apprentissage profond et les systèmes dynamiques : la prévision, la découverte d'états cachés et la reconstruction de signal non supervisé.

Soutenance : 19/12/2019

Membres du jury :

M. Étienne Mémin, INRIA Rennes, IRISA [Rapporteur]
M. François Fleuret, IDIAP, EPFL [Rapporteur]
M. Gérard Biau, Sorbonne Université, LPSM
Mme. Eniko Székely, Swiss Data Science Center
M. Nicolas Thome, CNAM, CEDRIC (Examinateur)
M. Patrick Gallinari, Sorbonne Université, LIP6

Publications 2019

• 2019
  • A. Pajot : “Incorporation de connaissance physique dans des réseaux de neurones profonds”, soutenance de thèse, soutenance 19/12/2019, direction de recherche Gallinari, Patrick (2019)
  • E. De Bézenac, A. Pajot, P. Gallinari : “Deep Learning for Physical Processes: Incorporating Prior Scientific Knowledge”, (2019)
  • I. Ayed, E. De Bézenac, A. Pajot, J. Brajard, P. Gallinari : “Learning Dynamical Systems from Partial Observations”, (2019)