Outils d'aide à la décision orientés par l'apprentissage par transfert – DECATTLON

L'apprentissage par transfert (Transfer Learning, TL) vise à améliorer l'apprentissage d’une nouvelle tâche cible en tirant parti de l’exécution antérieure de tâches sources différentes mais partageant des similitudes. Fournissant une réponse plus performante que les méthodes traditionnelles d’apprentissage automatique en cas de déficit de données, de recherche de diversification ou de frugalité, l’apprentissage par transfert suscite un engouement croissant dans la communauté de l’apprentissage statistique mais également auprès d’acteurs industriels.

Une grande variété de méthodes statistiques et algorithmiques ont été développées pour répondre aux questions "quoi" (paramètres, caractéristiques, etc.) transférer de la source vers la cible et "comment" le faire. Les performances de ces procédures sont généralement évaluées via des expérimentations numériques et peu sont pourvues de garanties théoriques.

Abordant le problème de TL sous l'angle différent de la prise de décision, DECATTLON vise à développer des outils mathématiques pour répondre aux trois problématiques suivantes : (1) Mesurer quantitativement la transférabilité pour statuer sur la pertinence d’avoir recours à un transfert dans différents cadres (régression non paramétrique, classification, adaptation de domaine), (2) Sélectionner les sources les plus avantageuses en adaptation de domaine multi-source, et définir la stratégie d’appel à l’oracle optimale dans un problème combinant TL et apprentissage actif, (3) Développer des méthodes de TL dans des modèles évoluant avec le temps : PINNs, équations différentielles stochastiques, processus décisionnels de Markov avec application à la résolution d’un problème de chargement de marchandises.

Les performances des outils de DECATTLON seront évaluées quantitativement via des garanties théoriques. Elles seront également éprouvées sur des données réelles et discutées dans la perspective d’un possible transfert industriel.