JCJC - Jeunes chercheuses et jeunes chercheurs

– TANGERINE

Résumé de soumission

Les données sont souvent non-négatives (i.e, positives ou nulles) par nature, comme par exemple l'intensité de pixels, des amplitudes spectrales, des nombres d'occurence, des consommations alimentaires, des notes d'utilisateurs ou bien des valeurs financières. Le traitement optimal de ces données requiert parfois un traitement sous contrainte de non-négativité. La factorisation de matrices non-négatives (FMN) est une technique de régression linéaire dont la popularité est croissante dans les domaines de l'apprentissage statistique et du traitement du signal et de l'image. Elle consiste simplement à approximer une matrice à coefficients non-négatifs comme un produit de deux autres matrices non-négatives, où l'une des matrices représente un dictionnaire de motifs élémentaires et l'autre matrice contient les coefficients d'activation de ces motifs. La FMN a été appliquée à de nombreux problèmes (reconnaissance de formes, clustering, fouille de données, séparation de sources, filtrage collaboratif,...) dans de nombreux domaines (par exemple, bioinformatique, analyse multimédia, finance). La FMN, et sa généralisation à la factorisation de tenseurs non-négatifs (FTN), sont des sujets relativement nouveaux qui nécessitent des réponses à de nombreux problèmes ouverts. L'object général de TANGERINE est d'apporter des contributions théoriques et méthodologiques à ce domaine de recherche. Plus spécifiquement, les objectifs du projet sont 1) de conduire des recherches sur la sélection de modèle, les factorisations avec des contraintes structurelles et sur des algorithmes rapides en grande dimension, en particulier par des approches statistiques novatrices, 2) d'appliquer la méthodologie développée à trois applications spécifiques, générant différentes sources de problèmes : l'identification de régimes alimentaires d'après des données de consommation alimentaires, la séparation de sources audio pour le remastering et la structuration de contenus vidéo, 3) de publier nos résultats dans des revues et conférences de haut niveau et de mettre à disposition nos algorithmes sous la forme d'une boîte à outils MATLAB, 4) de pallier à l'absence de recherche significative en FMN en France et de mettre une équipe française sur la carte de la recherche internationale en FMN, 5) de promouvoir cette nouvelle technique d'apprentissage statistique en France et à l'étranger, par l'organisation de sessions spéciales dans des conférences et de numéros spéciaux dans des revues. Le projet est porté par une équipe de trois jeunes chercheurs du Laboratoire Traitement et Communication de l'Information (CNRS & TELECOM ParisTech) et d'une jeune chercheuse de l'unité Metarisk (INRA). Ensemble ils réunissent une expertise en mathématiques appliquées, apprentissage statistique et traitement du signal, ainsi qu'une expérience dans des applications relevant de l'analyse multimédia (audio, image, vidéo) et des sciences du vivant.

Coordination du projet

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

Aide de l'ANR 0 euros
Début et durée du projet scientifique : - 0 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter