Adresse :
Monsieur Raphaël Baena du département MEE et du laboratoire LabSTICC, présentera ses travaux de recherches sur le sujet :
"Au delà de la classification : élargir la notion de généralisation"
Résumé : La thèse s’intéresse à la notion de généralisation, en particulier dans le cadre de la classification en apprentissage automatique de manière supervisée. Cette approche consiste à apprendre à résoudre une tâche (classification) à partir de données d’entrainement étiquetées. La généralisation est définie comme la capacité à réaliser des prédictions correctes sur des données non observées pendant l’entraînement. Cette notion est généralement restreinte à des données qui correspondent au même domaine que celui de la tâche d’entrainement. Cependant, une littérature récente met en exergue la capacité des architectures d’apprentissage profond à généraliser en dehors de leur tâche d’entrainement. Ainsi, un modèle entrainé sur une tâche particulière peut être réutilisée en partie sur d’autres tâches. Ainsi, nous explorons différentes extensions possibles de la généralisation : apprentissage sur un ensemble de classe et l’habilité à généraliser sur un ensemble de classes plus grands, l’apprentissage sur des labels grossiers pour prédire des labels plus complexes, l’apprentissage sur une tâche artificiellement complexe pour améliorer la généralisatio n ou encore l’apprentissage d’opérateurs invariants pour résoudre une tâche spécifique.
Organisateur(s)
Dans le cadre de la co-accréditation de thèse d’IMT Atlantique au sein de l'école doctorale SPIN
Mots-clés: Apprentissage profond, Classification, Apprentissage Supervisé, Apprentissage par Transfer, Généralisation