A3 : Apprentissage Artificiel et Applications
Responsable : Aomar Osmani
L’Apprentissage Artificiel est une discipline scientifique qui s’intéresse à la conception et au développement d’algorithmes qui améliorent leur efficacité par l’expérience (observations, étiquetées ou non). Elle emprunte des techniques et des connaissances théoriques aux domaines de l’intelligence artificielle, de la logique, de la statistique, pour former un domaine très complexe. L’apprentissage artificiel est maintenant un domaine mature de l’informatique, avec des modèles théoriques et des résultats solides, ainsi qu’un large éventail d’applications, à la fois dans l’industrie et dans de nombreuses disciplines de recherche. C’est un domaine également devenu très populaire auprès du grand public, grâce aux succès de l’apprentissage profond dans les algorithmes de jeu (Échecs, Go..) et grâce à l’émergence des Sciences des données pour le traitement et l’analyse intelligente des jeux de données massifs.
L’équipe A3 est structurée en trois axes principaux :
- Apprentissage à partir de Données et d’Apprenants (ADA)
- Apprentissage Relationnel et Graphes (ARG)
- Méta-apprentissage et Apprentissage de Structures (MAS)
| Apprentissage à partir de Données et d’Apprenants (ADA) Le thème central de l’axe de recherche ADA est l’apprentissage de représentations à partir de données et d’apprenants, pour la collaboration et le transfert. Il se focalise sur trois paradigmes d’apprentissage multi-modèles fondés sur trois formalismes mathématiques : apprentissage collaboratif/fédératif, apprentissage par transfert et apprentissage à partir de données multi-modales à travers des formalismes émergeants (pour l’apprentissage) tels que le formalisme quantique, le transport optimal, et la topologie algébrique. Les contributions de l’axe ADA abordent à la fois des recherches à caractère fondamental ainsi que des recherches plus appliquées, le plus souvent soutenues par des projets collaboratifs académiques et industriels dans différents domaines tels que : santé, marketing digital et recommandation, diagnostic des systèmes complexes, qualité et anonymisation de données, analyse des réseaux sociaux, … |
| Apprentissage Relationnel et Graphes (ARG) Apprendre des modèles exprimés comme des programmes logiques, explicites et explicables et à partir de données structurées dans les graphes. Cet axe traite notamment les thématiques d’apprentissage relationnel et les exemples incertains, de l’apprentissage relationnel probabiliste dans un cadre POMDP, de l’abstraction de graphes et recherche de motifs fermés abstraits. |
| Méta-apprentissage et Apprentissage de Structures (MAS) Généralise le problème d’apprentissage en traitant le processus d’apprentissage lui-même. Il permet de meilleures précisions avec moins d’exemples en tenant compte de la structure explicite ou non et en recherchant des régularités par la minimisation du risque structurel. Il permet la modélisation du contexte, des divers biais, du statut des données, de l’interaction entre les concepts à apprendre, de l’évolution des théories apprises et de la métamodéliation des hyperparamètres. Il permet également la modélisation simultanée des données et du clustering (apprentissage non supervisé profond). Cet axe s’intéresse aux données temporelles multi-variées, à l’apprentissage à large échelle, aux images et aux documents audios ou vidéos. |
Lien vers le rapport d’activité 2017 – 2022 et projet 2023-2028 de l’équipe A3