Soutenance de thèse de Yassir Bendou

Résumé : L'apprentissage avec peu d'exemples (few-shot learning) est essentiel dans des contextes où les données sont rares, coûteuses ou difficiles à obtenir. Cette thèse explore comment différentes approches de modélisation de la distribution des données peuvent améliorer la capacité d'un modèle à généraliser et à s'adapter à de nouvelles tâches dans un contexte de classification avec peu d'images. En adoptant une perspective de modélisation des données pour aborder le compromis biais-variance, ce travail examine comment des hypothèses sur les distributions des données peuvent guider la conception de solutions équilibrant expressivité et généralisation du modèle. En plus d'avancer des méthodes en vision, la thèse se penche sur l'apprentissage multimodal avec peu d'exemples, en exploitant les descriptions textuelles pour améliorer la généralisation entre vision et texte. Les contributions incluent le développement d'une baseline robuste basée sur des hypothèses de gaussianité pour la classification avec peu d'exemples, l'utilisation de méthodes à noyau pour estimer des solutions Bayes-optimales dans un contexte multimodal, et l'introduction de méthodes pour prédire la généralisation en l'absence de données de validation. Le travail introduit également un nouveau problème, la classification zéro-shot à classe unique, qui discrimine une seule catégorie uniquement sur la base des descriptions de son étiquette. À travers une combinaison d'analyses théoriques et d'évaluations pratiques, cette thèse démontre comment des choix réfléchis en matière de modélisation de la distribution des données peuvent relever efficacement les principaux défis de l'apprentissage avec peu d'exemples.