Apprentissage Contrefactuel pour Data-to-text Contrôlé – ACDC

Le projet ACDC s'appuie sur les avancées en génération de la langue via des architectures neuronales, pour aborder des problématiques de synthèse textuelle d'informations contenues sous forme de données tabulaires. Un accent particulier est porté sur la recherche d'invariance dans les données d'entrée, l'extraction d'opérateurs de compression haut-niveau et la personnalisation des sorties produites. On propose de s'appuyer sur des techniques d'apprentissage profond et par renforcement, impliquant l'inférence, la manipulation et le décodage de représentations d'opérations de synthèse de contenu dans un espace sémantique continu. L'objectif est de produire des espaces de représentation réguliers, encodant divers types de symétrie sémantique des opérateurs appliqués aux contenus, permettant de contrôler le mode de compression des textes générés, en fonction d'un tableau d'entrée. L'inférence d'opérateurs explicites envisagée dans ce projet permettra de mettre en place des modèles interprétables, facilitant ainsi l'analyse des synthèses produites, et la planification de rapports textuels cohérents, détaillant divers aspects saillants des données d'entrée.