Symmetries en Apprentissage de la Machine pour des Données Structurées

Symmetries in Machine Learning for Structured Data

• Auteur / Autrice : Amaury Triboulin
• Direction : Marc Lelarge
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/09/2021
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre
• Partenaire(s) de recherche : Laboratoire : DIENS - Département d'informatique de l'École normale supérieure
• Partenaire(s) de recherche : établissement opérateur d'inscription : École normale supérieure (Paris ; 1985-....)

Mots clés

Mots clés libres

Apprentissage automatique

Apprentissage Profond

Graphes

Machine Learning

Deep Learning

Graphs

Résumé

Dans cette thèse, nous considèrerons des problèmes à haute dimension, présentant des structures supplémentaires issues de la géometrie du signal d'entrée. Nous explorerons différentes manières d'incorporer cette structure dans l'algorithme d'apprentissage. Nous avons d'ores et déjà étudié de nouvelles architectures basées sur des couches équivariantes, que nous avons testées sur des problèmes d'optimisations combinatoires. Nous avons montré qu'il était possible d'apprendre des representations de problèmes complexes (typiquement NP-difficiles). Nous pensons que cela pourrait aboutir à de nouveaux algorithmes d'apprentissage d'heuristiques efficaces peu gourmands en ressources pour des instances applicables.

In this thesis, we will consider high-dimensional problems with an additional structure that comes from the geometry of the input signal and explore ways to incorporate this geometric structure into the learning algorithms. We have already started to investigate new architectures based on equivariant layers which we tested on combinatorial optimization problems and showed that it is possible learn representations of hard (typically NP-hard) problems. We believe this could lead to new algorithms, less resource-dependant, for learning efficient heuristics for practical instances.