Apprentissage de représentation: de la décision non-linéaire à la génération de données
Le domaine de l’apprentissage statistique a fortement évolué ces dernières années, notamment autour du concept de l’apprentissage de représentation. Après une rapide introduction pour présenter les notions de robustesse et de généralisation, nous montrons comment ce paradigme a transformé en profondeur beaucoup d’applications en introduisant de la sémantique tout en permettant le passage à l’échelle. Ce premier axe de recherche est donc centré sur la robustesse et la compréhension des données avec un focus applicatif sur l’analyse de sentiments et la recommandation.
Nous explorons ensuite l’apport des modèles génératifs de bout en bout pour améliorer la sémantique mais aussi pour traiter de nouveaux problèmes et mieux expliquer à l’utilisateur final l’origine des décisions prises. Nous abordons cette problématique via une stratégie de démêlage pour isoler et représenter les facteurs permettant de reconstruire un signal mais aussi de le catégoriser. Pour illustrer ces approches, nous utiliserons une nouvelle fois les applications de profiling et des signaux issus de la ville intelligente.
Nous présenterons enfin les perspectives offertes par ces travaux sous la forme d’un projet de recherche pour les années à venir.
Soutenance : 17/02/2021
Membres du jury :
Massih-Reza Amini, Université Grenoble Alpes [Rapporteur]Patrice Bellot, Université Aix-Marseille [Rapporteur]
Gabriella Pasi, Université de Milan [Rapporteur]
Mohamed Chetouani, Sorbonne Université
Martin Trepanier, Université de Montréal
Emmanuel Viennet, Université Paris 13
Date de départ : 17/02/2021