LIP6 CNRS Sorbonne Université Tremplin Carnot Interfaces
Direct Link LIP6 » News » PhD students

ARTIÈRES Thierry

Habilitation
Team : MALIRE

Apprentissage pour le traitement de données séquentielles : Application à la modélisation d’utilisateurs et aux interfaces stylo

Le traitement de données séquentielles est au cœur de nombreux domaines de recherche, comme le traitement du signal, les statistiques, l’économétrie, l’intelligence artificielle, la reconnaissance des formes. Aujourd’hui le domaine de l’apprentissage automatique dispose de nombreux modèles de séquence plus ou moins adaptés à différents types de données et différentes tâches. Une famille de modèle s’est distinguée depuis une vingtaine d’années, il s’agit de la famille des modèles Markoviens. Ces modèles constituent un bon compromis entre richesse d’expression et facilité de mise en œuvre si bien que le cadre Markovien se révèle assez pratique pour concevoir de nouveaux modèles.
Nous présentons ici nos travaux dans le domaine du traitement de séquences, réalisés sur divers types de données (parole, écrit, gestes, traces d’interactions) et de tâches (classification, clustering, segmentation, diagnostic). Les contributions concernent d’une part la proposition de nouveaux modèles de séquences adaptés à divers types de données, d’autre part l’apprentissage de ces modèles et notamment de leurs structures.
Nous nous sommes intéressés en particulier à une famille de modèles Markoviens appelés modèles segmentaux ou modèles de trajectoires car ils opèrent sur des segments d’observations plutôt que sur des observations isolées. Nous présenterons tout d’abord les travaux que nous avons réalisé dans la proposition, la mise au point, l’analyse de divers types de modèles segmentaux, des modèles Markoviens multi-streams, des modèles neuro-prédictifs et des modèles de trajectoires non linéaires. Nous discuterons également de modèles génératifs permettant de prendre en compte des dépendances plus complexes entre observations. Enfin, nous présenterons des approches discriminantes obtenues soit par ajout d’information discriminante dans les systèmes génératifs segmentaux soit par l'adaptation de modèles naturellement discriminants tels que les champs Markoviens conditionnels pour la prise en compte d'informations segmentales.
Nous discuterons ensuite de méthodes permettant de réaliser l’apprentissage de la structure et des paramètres de modèles Markoviens au sein d’une famille restreinte mais suffisante pour la plupart des domaines d’applications que nous avons rencontrés. Il s’agit de mélanges de modèles Markoviens à structure contrainte gauche-droite. L’apprentissage de ces modèles est très lié à la tâche de partitionnement de séquences guidé par les modèles, et nous présenterons nos travaux à la lumière des travaux réalisés dans ce domaine. Nous discuterons également de l’apprentissage de modèles hiérarchiques et présenterons différents types de modèles hiérarchiques, des cascades de modèles aux modèles véritablement hiérarchiques.
Defence : 12/14/2006 - 10h - Site Passy-Kennedy - salle 549
Jury members :
Gérard Chollet Examinateur
Bernadette Dorizzi Rapporteur
Patrick Gallinari Examinateur
Eric Gaussier Rapporteur
Yann LeCun Rapporteur
Maurice Milgram Examinateur

11 PhD graduated 2004 - 2017

 Mentions légales
Site map |