Théorie du transport optimal pour l’apprentissage par transfert et l’adaptation de domaine

par Mourad EL HAMRI

Projet de thèse en Doctorat informatique

Sous la direction de Younes Bennani meziane.

Thèses en préparation à Paris 13 , dans le cadre de École doctorale Galilée (Villetaneuse, Seine-Saint-Denis) depuis le 25-09-2019 .


  • Résumé

    L’apprentissage par transfert consiste à utiliser un jeu de tâches pour influencer l'apprentissage et améliorer les performances sur une autre tâche. Cependant, l’apprentissage par transfert peut en réalité gêner les performances si les tâches sont trop dissemblables. Un défi pour l’apprentissage par transfert est donc de développer des approches qui détectent et évitent le transfert négatif des connaissances utilisant très peu d’informations sur la tâche cible. Dans ce projet de recherche, nous proposons d’étudier un problème fondamental dans de nombreuses tâches en apprentissage artificiel qui est de trouver une représentation adéquate des données. Une représentation utile rend généralement la structure latente dans les données explicite, et réduit souvent la dimensionnalité des données afin que d’autres méthodes de calcul puissent être appliquées. Nous abordons ce problème en supposant que les effets des dérives peuvent être réduites si les données passent par une phase d'adaptation où les deux domaines se ressemblent davantage. Dans ce travail, nous préconisons une solution pour trouver cette transformation basée sur la théorie du transport optimal (TO). Les problèmes de transport optimal ont récemment suscité de l’intérêt dans plusieurs domaines, notamment pour calculer les distances entre les distributions de probabilité.


  • Pas de résumé disponible.