Simon Moura - Apprentissage statistique avec plusieurs objectifs: étude empirique et théorique

13:00
Lundi
17
Déc
2018
Organisé par : 
Simon Moura
Intervenant : 
Simon Moura
Équipes : 

 

Jury :

  • Gael Dias, PR, Univ. de Caen (Rapporteur)
  • Yann Guermeur, DR, CNRS/LORIA (Rapporteur)
  • Marianne Clausel, PR, LORIA (Examinatrice)
  • Sana Louichi, PR, UGA/LJK (Examinatrice)
  • Yury Maximov, Associate Professor, Skoltech (Examinateur)
  • Massih-Reza Amini, PR, UGA/LIG (Directeur)

 

Cette thèse traite du problème de l'apprentissage automatique supervisé dans le cas ou l'on considère plusieurs sorties, potentiellement de différent types. Nous proposons d'explorer trois différents axes de recherche en rapport avec ce sujet. Dans un premier temps, nous nous concentrons sur le cas homogène et proposons un cadre théorique pour étudier la consistance des problèmes multi-labels dans le cas de l'utilisation de chaîne de classifieurs. Ensuite, en nous plaçant dans ce cadre, nous proposons une borne de Rademacher sur l'erreur de généralisation pour tous les classifieurs de la chaîne et exposons deux facteurs de dépendance reliant les sorties les unes aux autres. Dans un deuxième temps, nous développons et analysons la performance de modèles en lien avec la théorie proposée. Toujours dans le cadre de l'apprentissage avec plusieurs sorties homogènes, nous proposons un modèle basé sur des réseaux de neurones pour l'analyse de sentiments à grain fin. Enfin, nous proposons un cadre et une étude empirique qui montrent la pertinence de l'apprentissage multi-objectif dans le cas de multiples sorties hétérogènes.