Modélisation et Inférence Statistique pour l’Apprentissage non-supervisé à partir de Données Massives – SMILES

- latent variable models for high-dimensional regression, including functional regression and functional regressions mixture models
- latent variable models for high-dimensional classification and clustering in high-dimensional scenarios
- latent variable models for unsupervised learning and bioacoustics

voir le rapport pdf pour plus de détails:
- résultats théoriques méthodologiques et computationnels sur les capabilities d'approximation, d'estimation et de sélection de modèles dans les modèles à variables latentes, en particulier les mélanges de densité et les mélanges d'experts

partie deep latent variable models et clustering distribué

voir rapport intermédiaire

L'analyse de données à l'échelle est un domaine pluridisciplinaire de plus en plus important dans la société actuelle. SMILES est un
projet collaboratif de recherche fondamentale qui vise à introduire des modèles non supervisés et des algorithmes d'inférence pour
transformer des données à l'échelle en connaissances. Le projet prend en compte le contexte de l'échelle dans son ensemble, avec
les principales questions liées à l’inférence à partir d'un grand volume de données de grande dimension et avec des structures
complexes latentes. Son principe est d'introduire des modèles de régression parcimonieux (non)paramétriques pour la
représentation, et des modèles à variables latentes à l’échelle pour la classification non-supervisée. L'extraction de connaissances
consistera à restaurer des structures cachées, des prototypes résumés, des groupes, des représentations parcimonieuses. Nous
considérons notamment des données fonctionnelles, bioacoustiques multimodales, et génomiques.