Symmetries en Apprentissage de la Machine pour des Données Structurées
FR |
EN
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 |
établissement opérateur d'inscription : École normale supérieure (Paris ; 1985-....) |
Mots clés
FR |
EN
Mots clés libres
Résumé
FR |
EN
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.