CONTARDO Gabriella

Docteur
Équipe : MLIA
Localisation : Jussieu
    UPMC - LIP6
    Boîte courrier 169
    Couloir 26-00, Étage 5, Bureau 523
    4 place Jussieu
    75252 PARIS CEDEX 05
Tel: 01 44 27 38 11, Gabriella.Contardo (at) nulllip6.fr
http://www-connex.lip6.fr/~contardog
Direction de recherche : Ludovic DENOYER
Co-encadrement : ARTIÈRES Thierry

Apprentissage Statistique

Cette thèse propose de s'intéresser au problème de l'apprentissage statistique sous contrainte de budget, notamment concernant l'information utilisée par le système de prédiction. Les approches classiques d'apprentissage statistique utilisent généralement le seul aspect de la performance en prédiction pour évaluer la qualité d'un modèle, ignorant le coût potentiel du système, par exemple en ressources utilisées en apprentissage (nombre d'exemples, nombre d'étiquettes, mémoire) ou en inférence (nombre de caractéristiques). Nous proposons plus particulièrement dans ce manuscrit plusieurs approches pour l'inférence sous contrainte de coût d’acquisition des caractéristiques. L'objectif est de développer des modèles qui apprennent à interagir avec les données afin d'optimiser un compromis entre une bonne prédiction et un faible coût d'acquisition. Nous présentons tout d'abord un modèle de sélection statique de caractéristiques appliqué au démarrage à froid en recommandation. Nous présentons ensuite deux méthodes d'acquisition adaptatives de caractéristiques, qui permettent un meilleur compromis coût/prédiction dans un cadre plus général. Nous proposons d'utiliser des méthodes d'apprentissage de représentations avec des architectures type réseaux de neurones récurrents. La dernière partie de la thèse s'intéresse au coût lié aux étiquettes, usuellement dénommé apprentissage actif dans la littérature. Nous présentons une approche nouvelle de ce problème en utilisant le méta-apprentissage ainsi qu'une première instanciation basée sur des réseaux récurrents bi-directionnels.
Soutenance : 10/07/2017 - 14h - Site Jussieu 26-00/101
Membres du jury :
M. Olivier Pietquin - Deepmind/Université de Lille 1 [Rapporteur]
M. Marc Sebban - Université Jean Monnet, Saint-Etienne [Rapporteur]
Mme. Anne Doucet - Université Pierre et Marie Curie, Paris
M. Balázs Kégl - Université Paris Sud 11
M. Nicolas Usunier - Facebook AI Research Paris
M. Thierry Artieres - Université Aix-Marseille
M. Ludovic Denoyer - Université Pierre et Marie Curie, Paris

Publications 2014-2017

 Mentions légales
Carte du site |