Thèse soutenue

Vers un apprentissage efficace des modèles graphiques et des réseaux de neurones avec des techniques variationnelles
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Xu Hu
Direction : Nikos Komodakis
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 19/12/2019
Etablissement(s) : Paris Est
Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009)
Jury : Président / Présidente : Nathalie Peyrard
Examinateurs / Examinatrices : Nikos Komodakis, Simon Lacoste-Julien, Matthew B. Blaschko, Guillaume Obozinski, Jakob Verbeek
Rapporteurs / Rapporteuses : Simon Lacoste-Julien, Matthew B. Blaschko

Résumé

FR  |  
EN

Dans cette thèse, je me concentrerai principalement sur l’inférence variationnelle et les modèles probabilistes. En particulier, je couvrirai plusieurs projets sur lesquels j'ai travaillé pendant ma thèse sur l'amélioration de l'efficacité des systèmes AI / ML avec des techniques variationnelles. La thèse comprend deux parties. Dans la première partie, l’efficacité des modèles probabilistes graphiques est étudiée. Dans la deuxième partie, plusieurs problèmes d’apprentissage des réseaux de neurones profonds sont examinés, qui sont liés à l’efficacité énergétique ou à l’efficacité des échantillons