Responsables d’axe
Cet axe a pour objectif de fédérer et d’animer la recherche en traitement du signal et des images, tant amont relative aux méthodes d’apprentissage machine, que guidée par l’utilisation de ces méthodes, des sujets chers aux chercheurs du GdR IASIS et développés sous différentes formes depuis plusieurs années.
Orientations scientifiques
- Apprentissage de représentations : il s’agit de l’étude des biais inductifs permettant d’améliorer et d’optimiser la structuration des modèles de prédiction comme les réseaux de neurones afin de les adapter aux contextes applicatifs, aux symétries et invariances ciblées, etc. Cela comprend également l’optimisation de l’adéquation entre modèles et données.
- Formulations d’apprentissage : l’apprentissage automatique est un champ vaste d’algorithmes et de modèles couvrant des situations diverses qui se distinguent, entre autres, par les types de données, les types de signaux d’apprentissage et les demandes de capacité de généralisation (few-shot, zero-shot, etc.). On peut citer l’apprentissage supervisé requérant la disponibilité d’étiquettes, et l’apprentissage non-supervisé dans le cas inverse ; pour les situations mixtes, l’apprentissage semi-supervisé, faiblement supervisé et auto-supervisé. La communauté cible également la prédiction structurée des signaux de types chaines, images, vidéos, graphes etc., et le passage à l’échelle des algorithmes.
- La compréhension formelle des réseaux profonds est naturellement un objectif dans un contexte où un grand nombre de succès sont majoritairement dus à l’augmentation massive des données et des moyens de calcul. Les recherches portent sur l’estimation et l’intégration de mesures d’incertitude, l’étude théorique de stabilité des algorithmes d’apprentissage et des modèles issus de l’apprentissage, permettant de tisser des liens avec la théorie du contrôle. Elles couvrent également l’étude théorique des capacités de généralisation et la stabilité des modèles face aux attaques adversaires.
- Traitement de données multimodales : la fusion d’informations hétérogènes telles que les images multi-spectrales, nuages de points et les paires texte / image, nécessite une adaptation particulière des modèles et des algorithmes d’apprentissage, tout particulièrement en cas de données non-alignées et de données manquantes et bruitées. Les liens sont nombreux avec la robotique et l’étude des boucles perception et action.
- Connaissances et explicabilité en IA : il s’agit de l’étude des connaissances apprises par les méthodes d’apprentissage statistique, par exemple pour analyser le résultat de l’entrainement des modèles, ou le transfert d’un domaine `a un autre. Un enjeu important concerne également la mise au point de méthodes hybrides d’apprentissage statistique capables d’intégrer des connaissances externes du domaine, par exemple venant de la modélisation physique et des équations différentielles.
