Aprentissage et adaptation des modèles generatifs pour resoudre des problèmes inverses aveugles – LENTILLE

Les approches d'apprentissage automatique sont très importantes pour résoudre les problèmes inverses dits aveugles, tels que la déconvolution et la séparation de sources aveugles, qui sont difficiles à traiter avec des méthodes classiques. Une approche pour résoudre ce type de problèmes en combinant une haute performance et des garanties théoriques consiste à utiliser des modèles génératifs profonds pré-entraînés (tels que les réseaux antagonistes génératifs) pour permettre la paramétrisation des solutions. Cependant, dans de nombreuses applications, la faible quantité de données pour entraîner les modèles génératifs et les disparités entre la distribution statistique des données utilisées pour l'entraînement et le test dégradent considérablement les performances de cette approche. De plus, les méthodes traditionnelles d'apprentissage non-supervisé et d'adaptation de domaine (souvent utilisées pour des problèmes de classification) ne sont pas efficaces pour traiter les problèmes inverses aveugles. Ce projet vise à développer de nouvelles méthodes pour l'apprentissage et l'adaptation des modèles génératifs profonds pour résoudre des problèmes inverses aveugles. Une méthode d'adaptation de domaine sera développée pour ajuster des modèles génératifs profonds pré-entraînés à de nouvelles données en utilisant de nouveaux objectifs d'apprentissage qui ne nécessitent pas de vérité terrain. Nous exploiterons aussi le lien entre les modèles génératifs et les décompositions tensorielles de rang faible pour étudier leur unicité lorsqu'ils sont entraînés avec de petits ensembles de données, ce qui est important pour garantir leur interprétabilité. Ensuite, un algorithme sera proposé pour résoudre les problèmes inverses avec robustesse aux imprécisions dans les modèles génératifs pré-entraînés. Les objectifs principaux de ce projet sont : (i) de développer de nouveaux algorithmes qui répondent aux défis évoqués ci-dessus, (ii) d'étudier théoriquement leurs performances et (iii) de les évaluer sur des applications réelles telles que le démélange de données hyperspectrales ou la séparation de sources de données d'imagerie par résonance magnétique fonctionnelle (IRMf) multi-sujets.