Apprentissage adversarial pour la lecture automatique

par Quentin Grail

Projet de thèse en Informatique

Sous la direction de Éric Gaussier.

Thèses en préparation à Grenoble Alpes , dans le cadre de École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble) , en partenariat avec Laboratoire d'Informatique de Grenoble (laboratoire) depuis le 17-05-2018 .


  • Résumé

    L'accès à l'information textuelle est devenu une composante essentielle de nombreux systèmes d'information. Le paradigme de la lecture automatique a été récemment proposé. Son objectif est de formaliser le processus de lecture comme un apprentissage supervisé de "bout-en-bout" où l'objectif d'un modèle est de répondre à une question sur un texte donné. Actuellement, les modèles proposés nécessitent une grande quantité de données et il a été montré qu'ils se révèlent particulièrement sensibles au bruit. L'objectif de ce projet est d'étudier comment un processus d'apprentissage adversarial permettrais d'appréhender ces limitations.

  • Titre traduit

    Adversarial learning for machine reading


  • Résumé

    Automatically extract information from text documents has become a major challenge during these last years. The paradigm of machine reading has been proposed recently. It aims to formalize the reading protocol has an end-to-end learning protocol. One of the main proxy task that has been proposed has a way to evaluate a reading model is question-answering. A model is expected to produce an answer regarding a question and an associated text document. For the moment, models that have been proposed require lots of training data and tend to suffer from a lack of robustness against noise in the dataset. The objective of this thesis is to investigate how adversarial learning can improve the performance of reading models.