Approximations de rang faible pour l'intelligence artificielle – LoRAiA

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.