Soutenance de thèse de Raphaël Lafargue

Résumé : Cette thèse présente trois contributions principales visant à faire progresser l'apprentissage par peu d'exemples (ou parcimonieux) (Few-Shot Learning, FSL) en améliorant la robustesse des modèles, l'évaluation précise des performances, et l'adaptation spécifique aux tâches. Tout d'abord, nous explorons des méthodes pour construire des extracteurs de caractéristiques robustes et universels en intégrant l'augmentation de données et de l'auto-supervision lors du pré-entraînement, ce qui permet d'atteindre des performances à l'état de l'art dans des tâches de classification en domaine. Ensuite, nous abordons la nécessité d'évaluations fiables des méthodes FSL en mettant l'accent sur les intervalles de confiance, révélant que les approches d'évaluation couramment utilisées négligent souvent l'aléa des données, entraînant des conclusions spécifiques à certains jeux de données. Nous proposons des techniques d'évaluation qui tiennent compte de cette variabilité, démontrant que les revendications de supériorité entre méthodes peuvent changer en conséquence. Enfin, nous introduisons une approche centrée sur les données, améliorant l'adaptation aux tâches inter-domaines en oubliant sélectivement certaines portions du jeu de données de pré-entraînement, ce qui permet de réallouer l'espace des caractéristiques pour améliorer la généralisation. Ensemble, ces contributions offrent des perspectives complètes pour le développement de modèles FSL robustes et adaptatifs.}