CE23 - Intelligence Artificielle

Approximations de rang faible pour l'intelligence artificielle – LoRAiA

Résumé de soumission

A une époque où des données sont collectées et exploitées massivement, il est crucial de développer des outils efficaces d'apprentissage machine qui capturent la complexité de ces données. Les approximations de rang faible sont un de ces outils. Elles permettent de miner simultanement l'information contenue dans toutes les dimensions d'un tableau de données. Les approximations de rang faible jouent un rôle prépondérant dans la théorie de l'apprentissage machine, cependant relativement cantoné à l'apprentissage non supervisé. En particulier, il est à priori difficile d'ajouter dans ces modèles de l'information externe aux données telles que des données additionnelles étiquetées, un dictionnaire de descripteurs ou bien un autre jeu de donné d'une modalité différente du premier. Le projet LoRAiA étudiera les propriétés de ces problèmes semi-supervisés, et proposera également des algorithmes efficaces pour résoudre les problèmes d'optimisation sous-jascents, connus ou non.

Coordination du projet

Jérémy Cohen (Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé)

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

IRISA Institut de Recherche en Informatique et Systèmes Aléatoires
UMR5220 Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé

Aide de l'ANR 325 645 euros
Début et durée du projet scientifique : octobre 2020 - 42 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