Habilitation (HDR) defense of Rémi Emonet"Avancées en apprentissage statistique pour la détection d'anomalies et le transfert"

"Avancées en apprentissage statistique pour la détection d'anomalies et le transfert"

Abstract

Dans cette soutenance, je donnerai un aperçu de mes travaux de recherches. Je détaillerai une sélection de travaux autours de la détection d'anomalies et de l'apprentissage par transfert. Ce deux sous-domaines de l'apprentissage automatique sont primordiaux dans de nombreux contextes applicatifs. J'en profiterai pour donner une vue globale de mon parcours, et des collaborations et encadrements auxquels j'ai pu participer.
La détection d'anomalies peut être vue soit dans un contexte supervisé, où des exemples d'anomalies sont disponibles, soit dans un contexte non-supervisé. Dans le cas supervisé, la problématique principale est le déséquilibre entre les classes : il faut compenser le faible nombre d'exemples d'anomalies. Dans le cas non-supervisé, il s'agit en fait de modéliser la distribution de données (normales) dans le but de détecter les futurs points qui s'en détacheraient.
L'apprentissage par transfert vise à réutiliser un modèle appris sur un jeu de données pour éviter de repartir de zéro lorsqu'il faut apprendre avec un nouveau jeu de données ou pour une nouvelle tâche. Une partie des approches de transfert utilisent des formulations basées sur le problème du transport optimal. Le transport optimal consiste à décider de comment allouer au mieux des ressources, ou, par exemple, de comment aligner deux jeux de données. 

Membres du Jury

• Marianne Clausel, Professeure, Université de Lorraine, Rapporteur
• Nicolas Courty, Professeur, Université de Bretagne Sud, Rapporteur
• Paulo Goncalves, DR INRIA, ENS Lyon, Rapporteur
• Elisa Fromont, Professeure, Université de Rennes, Examinatrice
• Christine Solnon, Professeure, INSA Lyon, Examinatrice
• Marc Sebban, Professeur, Université Jean Monnet, Tuteur