Seminar


Date : Nov. 15, 2018, 1 p.m. - Room :Amphi Garcia

Principes de l'Apprentissage par Transfert et Adaptation de Domaine


Amaury HABRARD - Laboratoire Hubert Curien, Univ. Jean Monnet

Les systèmes d'apprentissage machine reposent souvent sur l'hypothèse que les données utilisées pour apprendre les modèles suivent la même distribution que les données de test sur lesquelles ces systèmes doivent être appliqués. Si cette hypothèse est raisonnable dans certains cas, elle est toutefois invalidée dans de nombreuses applications. En effet, les données de test peuvent être amenées à suivre des distributions différentes par exemple à cause de méthodes d'acquisition différentes (changement de capteurs, de scanner, IRM, d'exposition lumineuse, ...) ou d'évolution du concept à apprendre comme dans le contexte de la détection de fraudes ou d'anomalies. Ce contexte a vu l'apparition de méthodes visant à adapter ou transférer les connaissances de modèles appris à de nouvelles de données de test issues de nouvelles distributions connues sous le thème d'apprentissage par transfert ou adaptation de domaine. Dans cet exposé, je présenterai les grands principes de ce thème et je ferai une rapide présentation des méthodes existantes et des avancées récentes en lien l'alignement de sous-espaces, les méthodes ensemblistes, le transport optimal ou encore les réseaux de neurones profonds.