Objectifs de la chaire 

L’apprentissage par représentation est un aspect fondamental de l’intelligence artificielle qui implique l’extraction automatique d’une représentation compacte et utile des données d’entrée pour les tâches de classification, de regroupement et de prédiction.

Principal investigator

Cependant, il peut s’agir d’une tâche difficile dans l’apprentissage profond, où la surparamétrisation est un problème, et dans les statistiques à haute dimension, où des structures éparses peuvent être cachées.

Dans de nombreux contextes industriels, les simulations informatiques génèrent des données complexes qui nécessitent une sélection des caractéristiques pour une analyse efficace.

Pour relever ce défi, nous proposons de tirer parti d’outils mathématiques puissants pour des représentation efficaces, notamment l’analyse de sensibilité (AS), les signatures de la théorie des chemins (RPT) et la théorie des matrices aléatoires (RMT).

Co-chair

L’analyse de sensibilité permet d’identifier les caractéristiques les plus informatives en sélectionnant les variables qui contribuent le plus à la variabilité des données.

Les signatures de la théorie des chemins rugueux fournissent une représentation universelle et expressive pour les données de séries temporelles qui capture les dépendances temporelles complexes et permet une analyse efficace.

Enfin, la RMT permet d’estimer le nombre de composantes principales significatives dans des ensembles de données à haute dimension et de fournir des informations sur la qualité des données de haute dimension et donner un aperçu de la stabilité des réseaux neuronaux.

En utilisant ces outils mathématiques pour l’apprentissage de la représentation, notre objectif est de faciliter l’analyse efficace et efficiente de données industrielles complexes afin de faciliter la prise de décision fondée sur les données.

Ne manquez rien !

Inscrivez-vous pour recevoir l'actualité d'ANITI chaque mois.

Nous n’envoyons pas de messages indésirables !

fr_FRFrench