Direction de recherche : Patrick GALLINARI

Modélisation de Processus Physique avec de l'Apprentissage Profond

L'apprentissage profond s'impose comme un outil prédominant pour l'IA, avec de nombreuses applications fructueuses pour des tâches où les données sont abondantes et l'accès aux connaissances préalables est difficile. Cependant ce n'est pas encore le cas dans le domaine des sciences naturelles, et encore moins pour l'étude des systèmes dynamiques. En effet, ceux-ci font l'objet d'études depuis des siècles, une quantité considérable de connaissances a ainsi été acquise, et des algorithmes et des méthodes ingénieux ont été développés. Cette thèse a donc deux objectifs principaux. Le premier concerne l'étude du rôle que l'apprentissage profond doit jouer dans ce vaste écosystème de connaissances, de théories et d'outils. Nous tenterons de répondre à cette question générale à travers un problème concret: la modélisation de processus physiques complexes à l'aide de l'apprentissage profond. Le deuxième objectif est en quelque sorte son dual; il concerne l'analyse des algorithmes d'apprentissage profond à travers le prisme des systèmes dynamiques et des processus physiques, dans le but d'acquérir une meilleure compréhension et de développer de nouveaux algorithmes pour ce domaine.

Publications 2019-2022

• 2022
  • S. Karkar, I. Ayed, E. De Bézenac, P. Gallinari : “Block-wise Training of Residual Networks via the Minimizing Movement Scheme”, 1^st International Workshop on Practical Deep Learning in the Wild at 26^th AAAI Conference on Artificial Intelligence 2022, 2^nd International Workshop on Practical Deep Learning in the Wild, Vancouver, Canada (2022)
  • Y. Yin, I. Ayed, E. De Bézenac, N. Baskiotis, P. Gallinari : “LEADS: Learning Dynamical Systems that Generalize Across Environments”, The Thirty-Fifth Annual Conference on Neural Information Processing Systems (NeurIPS 2021), Online, (2022)
• 2021
  • E. De Bezenac : “Modeling Physical Processes with Deep Learning: A Dynamical Systems Approach”, soutenance de thèse, soutenance 21/10/2021, direction de recherche Gallinari, Patrick (2021)
  • Y. Yin, V. Le Guen, J. Donà, E. De Bézenac, I. Ayed, N. Thome, P. Gallinari : “Augmenting physical models with deep networks for complex dynamics forecasting”, Journal of Statistical Mechanics: Theory and Experiment, vol. 2021 (12), pp. 124012, (IOP Publishing) (2021)
  • Y. Yin, V. Le Guen, J. Donà, I. Ayed, E. De Bézenac, N. Thome, P. Gallinari : “Augmenting physical models with deep networks for complex dynamics forecasting”, Ninth International Conference on Learning Representations ICLR 2021, Vienna (virtual), Austria (2021)
• 2020
  • S. Karkar, I. Ayed, E. De Bézenac, P. Gallinari : “A Principle of Least Action for the Training of Neural Networks”, ECML PKDD, Ghent, Belgium (2020)
• 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)