En naviguant sur notre site vous acceptez l'installation et l'utilisation des cookies sur votre ordinateur. En savoir +

Menu Logo Principal AgroParisTech

MIA Paris

Soutenance de thèse de Pierre-Alexandre Murena

vendredi 14 décembre à 14h - Amphi Jade à Télécom ParisTech, 46 rue Barrault, 75013 Paris.

Minimum Complexity Principle for Knowledge Transfer in Artificial Learning

La soutenance aura lieu vendredi 14 décembre prochain à 14h en amphi Jade, à Télécom ParisTech (46 rue Barrault, 75013 Paris). 

Résumé

Les méthodes classiques d'apprentissage automatique reposent souvent sur une hypothèse simple mais restrictive: les données du passé et du présent sont générées selon une même distribution. Cette hypothèse permet de développer directement des garanties théoriques sur la précision de l'apprentissage. Cependant, elle n'est pas réaliste dans un grand nombre de domaines applicatifs qui ont émergé au cours des dernières années. Dans cette thèse, nous nous intéressons à quatre problèmes différents en intelligence artificielle, unis par un point commun: tous impliquent un transfert de connaissance d'un domaine vers un autre. Le premier problème est le raisonnement par analogie et s'intéresse à des assertions de la forme "A est à B ce que C est à D". Le second est l'apprentissage par transfert et se concentre sur des problèmes de classification dans des contextes où les données d'entraînement et de test ne sont pas de même distribution (ou n'appartiennent même pas au même espace). Le troisième est l'apprentissage sur flux de données, qui prend en compte des données apparaissant continûment une à une à haute fréquence, avec des changements de distribution. Le dernier est le clustering collaboratif et consiste à faire échanger de l'information entre algorithmes de clusterings pour améliorer la qualité de leurs prédictions. La principale contribution de cette thèse est un cadre général pour traiter les problèmes de transfert. Ce cadre s'appuie sur la notion de complexité de Kolmogorov, qui mesure l'information continue dans un objet. Cet outil est particulièrement adapté au problème de transfert, du fait qu'il ne repose pas sur la notion de probabilité tout en étant capable de modéliser les changements de distributions. En plus de cet effort de modélisation, nous proposons dans cette thèse diverses discussions sur d'autres aspects ou applications de ces problèmes. Ces discussions s'articulent autour de la possibilité de transfert dans différents domaines et peuvent s'appuyer sur d'autres outils que la complexité.

Le jury sera composé de:

Shai BEN-DAVID, University of Waterloo

rapporteur

Amaury HABRARD, Université Jean Monnet, Saint-Etienne 

rapporteur

Florence D'ALCHE-BUC, Télécom ParisTech

examinatrice

Jean LIEBER, Université de Lorraine, Nancy

examinateur

Laurent ORSEAU, Google DeepMind

examinateur

Gilles RICHARD, Université Paul Sabatier, Toulouse

examinateur

Antoine CORNUEJOLS, AgroParisTech 

co-encadrant

Jean-Louis DESSALLES, Télécom ParisTech

co-encadrant

L'exposé se fera en anglais.