Apprentissage Statistique par une Architecture Profonde – ASAP

ASAP est un projet de recherche fondamentale mené par des équipes de recherche académiques. Son objectif : créer une rupture dans la théorie et la méthodologie de l'apprentissage statistique, en s'attaquant à l'un de ses verrous majeurs, à savoir la création automatique de caractéristiques pertinentes. Pour ce faire, nous aborderons ce problème difficile d'une manière globale, c'est-à-dire que nous considèrerons la question de l'extraction des caractéristiques et celle de l'apprentissage d'une règle de décision comme un problème unique et indissociable. Les objectifs scientifiques de notre projet concernent à la fois des aspects théoriques et algorithmiques de l'apprentissage statistique. Au niveau fondamental il s'agit de comprendre la nature du problème de représentation : qu'est-ce qu'une représentation utile pour une tâche d'apprentissage donnée? Du point de vue algorithmique, il s'agit de savoir comment construire automatiquement une telle représentation. L'angle d'attaque que nous avons choisi est celui des architectures profondes. Nous ne cherchons pas à sélectionner une représentation pertinente parmi un ensemble de possibilités pré-établies, mais plutôt à faire émerger une telle représentation à travers une suite de calculs hiérarchisés mis en oeuvre par l'agencement de couches élémentaires constituant ce qu'il est convenu d'appeler une architecture profonde. Pour mener à bien ce projet, nous allons d'abord mener une analyse de l'apprentissage de chaque couche élémentaire. Ensuite nous allons étudier l'ensemble de l'architecture profonde. Le produit de ces analyses sera une plate-forme logicielle qui sera mise à la disposition de la communauté scientifique et qui servira de base à des demonstrations de cette nouvelle approche sur des tâches d'apprentissage réputées difficiles.