Direction de recherche : Ludovic DENOYER

Co-encadrement : LAMPRIER Sylvain

Déduire et prédire des représentations dynamiques pour des données temporelles structurées

Les données temporelles constituent une partie importante des données digitales. Prévoir leurs prochaines valeurs est une tâche importante et difficile. Les méthodes statistiques standards sont fondées sur des modèles linéaires souvent limités à des données dans des espaces de faibles dimensions. Ici, nous utilisons plutôt des méthodes d’apprentissage profond capables de traiter des données structurées en hautes dimensions.
Dans cette thèse, nous nous intéressons aux modèles à variables latentes. Contrairement aux modèles autorégressifs qui utilisent en entrée des données passées pour effectuer des prédictions, les modèles latents infèrent des représentations vectorielles qui sont ensuite prédites dans le même espace latent. Cela permet de réduire le couplage entre synthèses d’observations et dynamique, et ainsi obtenir des modèles plus stables et performants.
Nous proposons d’abord un modèle latent structuré pour la prévision de données spatio-temporelles. Ensuite, nous nous intéressons à la prédiction des distributions de données, appliquée à la modélisation diachronique du langage. Enfin, nous proposons un modèle de prédiction stochastique pour la prédiction de vidéos.

Publications 2017-2021

• 2021
  • E. Delasalles, S. Lamprier, L. Denoyer : “Deep dynamic neural networks for temporal language modeling in author communities”, Knowledge and Information Systems (KAIS), vol. 63 (3), pp. 733-757, (Springer) (2021)
• 2020
  • E. Delasalles : “Déduire et prédire des représentations dynamiques pour des données temporelles structurées”, soutenance de thèse, soutenance 30/06/2020, direction de recherche Denoyer, Ludovic, co-encadrement : Lamprier, Sylvain (2020)
  • J.‑Y. Franceschi, E. Delasalles, M. Chen, S. Lamprier, P. Gallinari : “Stochastic Latent Residual Video Prediction”, Proceedings of the 37^th International Conference on Machine Learning, vol. 119, Proceedings of Machine Learning Research, Vienne, Austria, pp. 3233-3246, (PMLR) (2020)
• 2019
  • E. Delasalles, S. Lamprier, L. Denoyer : “Dynamic Neural Language Models”, ICONIP 2019 - 26^th International Conference on Neural Information Processing, vol. 11955, Lecture Notes in Computer Science, Sydney, Australia, pp. 282-294 (2019)
  • E. Delasalles, A. Ziat, L. Denoyer, P. Gallinari : “Spatio-temporal neural networks for space-time data modeling and relation discovery”, Knowledge and Information Systems (KAIS), vol. 61 (3), pp. 1241-1267, (Springer) (2019)
  • E. Delasalles, S. Lamprier, L. Denoyer : “Learning Dynamic Author Representations with Temporal Language Models”, 2019 IEEE International Conference on Data Mining (ICDM), Beijing, China, pp. 120-129, (IEEE) (2019)
• 2018
  • E. Delasalles, S. Lamprier, L. Denoyer : “Apprentissage de l’évolution langagière dans des communautés d’auteurs”, 15^e COnférence en Recherche d'Informations et Applications - CORIA 2018, Rennes, France (2018)
• 2017
  • A. Ziat, E. Delasalles, L. Denoyer, P. Gallinari : “Spatio-Temporal Neural Networks for Space-Time Series Forecasting and Relations Discovery”, 2017 IEEE International Conference on Data Mining (ICDM), 2017 IEEE International Conference on Data Mining (ICDM), La Nouvelle Orléans, LA, United States, pp. 705-714, (IEEE) (2017)