img-logoIrisaSoutenanceEmmanuelleRouille

 

img-logoPanamaSoutenanceAnthonyBourrier

img-logotechnicolor-soutenanceAnthonyBourrier2014

Echantillonnage compressé et réduction de dimension pour l'apprentissage non supervisé

 

img-soutenanceTheseAnthonyBourrier2014 Anthony Bourrier

img-logoEquipeProjetPanama (Equipe-projet Panama)

Soutenance de thèse - 13 mai 2014

L'exposé [44:17 mn]

La discussion avec le jury

Retour index des soutenances

Composition du Jury:

  • Francis BACH:  Directeur de recherche à Inria
  • Gilles BLANCHARD:  Professeur à l'Université de Potsdam
  • Matthieu CORD:  Professeur à l'Université Pierre et Marie Curie - Paris VI
  • Bernard DELYON:  Professeur à l'Université de Rennes 1 
  • Erwan LE PENNEC:  Professeur associé à l' Ecole Polytechnique 
  • Patrick PEREZ:  Chercheur chez Technicolor
  • Remi GRIBONVAL:  Directeur de recherche à Inria 

Résumé :

Cette thèse est motivée par la perspective de rapprochement entre traitement du signal et apprentissage statistique, et plus particulièrement par l'exploitation de techniques d' échantillonnage compressé afin de réduire le coût de tâches d'apprentissage.

Après avoir rappelé les bases de l'échantillonnage compressé, nous proposons un cadre de travail pour l'estimation de paramètres de mélange de densités de probabilité dans lequel les données d'entraînement sont compressées en une représentation de taille fixe. Nous instancions ce cadre sur un modèle de mélange de Gaussiennes isotropes. Cette preuve de concept suggère l'existence de garanties théoriques de reconstruction d'un signal pour des modèles allant au-delà du modèle parcimonieux usuel de vecteurs.

Nous étudions ainsi dans un second temps la généralisation de résultats de stabilité de problèmes inverses linéaires à des modèles tout a fait généraux de signaux. Nous proposons des conditions sous lesquelles des garanties de reconstruction peuvent être données dans un cadre général.

Enfin, nous nous penchons sur un problème de recherche approchée de plus proche voisin avec calcul de signature des vecteurs afin de réduire la complexité. Dans le cadre où la distance d'intérêt dérive d'un noyau de Mercer, nous proposons de combiner un plongement explicite des données suivi d'un calcul de signatures, ce qui aboutit notamment  à une recherche approchée plus précise.

.

img-logoFlecheHaut