BRAIn: Better Representations for Artificial Intelligence
Texte
BRAIN est une équipe de recherche du Lab-STICC (CNRS UMR 6285) hébergée à IMT Atlantique et faisant partie du département de Mathématiques et Ingénierie Électrique (MEE). L'objectif de BRAIN est d'explorer des questions clés à l'intersection de l'Intelligence Artificielle, de l'Apprentissage Profond et du Traitement du Signal, avec des applications utilisant des images, des sons, des textes et des domaines plus complexes, y compris les données de neuroimagerie.
En 2024, ces questions incluent :
- IA frugale, ou comment trouver des représentations efficaces dans le régime de faibles données (typiquement apprentissage par faible nombre d'exemples ou étiquettes)
- Compression de l'IA, ou comment trouver des représentations efficaces pour réduire la demande en calculs et en énergie des systèmes d'IA, typiquement pour l'IA embarquée
- Géométrie et IA, ou comment exploiter la géométrie des espaces latents ou des domaines d'entrée pour mieux adapter et surveiller les systèmes d'IA
Réalisations & Distinctions :
- Apprentissage par faible nombre d'exemples
- Nouvel article à paraître dans TMLR Oops, I Sampled It Again sur la réinterprétation des intervalles de confiance dans l'apprentissage par faible nombre d'exemples
- Nos étudiants de master ont remporté le concours AMD Open Hardware (https://www.openhw.eu/2023-results-gallery) avec le projet PEFSL (https://github.com/brain-bzh/PEFSL) en 2023
- Compression des réseaux de neurones profonds
- Un post particulièrement visible de l'équipe sur towardsdatascience : https://towardsdatascience.com/neural-network-pruning-101-af816aaea61 avec plus de 300 claps
- Partenariats industriels forts sur le déploiement de réseaux de neurones sur microcontrôleurs (GoodFloow, Schneider)
- Neuroimagerie et neurosciences cognitives
- BRAIN collabore avec Mila, University of Southern California, University of Rochester
- Traitement de signal sur graphes pour la neuroimagerie et les neurosciences cognitives (avec CoCoLab – Karim Jerbi)
- Applications aux interfaces cerveau-machine et au neurofeedback, avec l'équipe EMPENN (INRIA)
- Données sonores et temporelles
- Découvrez comment le projet Silent Cities a capturé les changements globaux dans les paysages sonores urbains pendant la pandémie de COVID-19, avec des données open-source et une validation technique—lisez l'article complet dans *Nature Scientific Data* Silent Cities
- Classé n°2 et prix du jury lors de la DCASE 2023 Task 5
