DELASALLES Edouard

Docteur
Équipe : MLIA
Date de départ : 30/06/2020
https://lip6.fr/Edouard.Delasalles

Direction de recherche : Ludovic DENOYER

Co-encadrement : LAMPRIER Sylvain

Déduire et prédire des représentations dynamiques pour des données temporelles structurées

Les données temporelles constituent une partie importante des données digitales. Prévoir leurs prochaines valeurs est une tâche importante et difficile. Les méthodes statistiques standards sont fondées sur des modèles linéaires souvent limités à des données dans des espaces de faibles dimensions. Ici, nous utilisons plutôt des méthodes d’apprentissage profond capables de traiter des données structurées en hautes dimensions.
Dans cette thèse, nous nous intéressons aux modèles à variables latentes. Contrairement aux modèles autorégressifs qui utilisent en entrée des données passées pour effectuer des prédictions, les modèles latents infèrent des représentations vectorielles qui sont ensuite prédites dans le même espace latent. Cela permet de réduire le couplage entre synthèses d’observations et dynamique, et ainsi obtenir des modèles plus stables et performants.
Nous proposons d’abord un modèle latent structuré pour la prévision de données spatio-temporelles. Ensuite, nous nous intéressons à la prédiction des distributions de données, appliquée à la modélisation diachronique du langage. Enfin, nous proposons un modèle de prédiction stochastique pour la prédiction de vidéos.

Soutenance : 30/06/2020

Membres du jury :

M. Alexandre Allauzen, Professeur, ESPCI - CNRS [Rapporteur]
M. Thierry Artieres, Professeur, Aix Marseille Université - Ecole Centrale Marseille - LIS [Rapporteur]
M. Ludovic Denoyer, Professeur, Sorbonne Université - LIP6 - FAIR
Mme Ahlame Douzal, Maître de Conférences (HDR), Université Grenoble Alpes - LIG
M. Patrcik Gallinari, Sorbonne Université - LIP6
M. Sylvain Lamprier, Maître de Conférences, Sorbonne Université - LIP6

Date de départ : 30/06/2020

Publications 2017-2021

Mentions légales
Carte du site