Compression et alignement pour un apprentissage automatique efficace – CALME

L'accès accru à de grands ensembles de données pose plusieurs défis pour l'apprentissage automatique, avec notamment deux problèmes majeurs : la haute dimensionalité des données et la difficulté d'obtenir des données étiquetées de haute qualité.

Ce projet vise à développer des méthodes d'apprentissage automatique qui nécessitent des ressources computationnelles et d'étiquetage modérées et reposent sur des principes théoriques solides, en accord avec les principes de l'apprentissage automatique frugal.

Bien que de nombreuses méthodes tentent de relever ces défis, l'originalité de ce projet est qu'il met l'accent sur deux concepts clés : la compression — un processus algorithmique qui simplifie les données — et l'alignement, qui relie des parties de différents objets en identifiant leurs correspondances, souvent à l'aide de techniques de transport optimal.
L'idée centrale est qu'il existe une dualité fructueuse entre ces deux concepts, qui peut être exploitée pour développer des algorithmes d'apprentissage automatique plus frugaux.

Les principaux objectifs de ce projet sont : 1) explorer les fondements théoriques des méthodes modernes de compression de données à travers le prisme du transport optimal et développer de nouvelles techniques de compression efficaces et mathématiquement solides, et 2) créer des méthodes d'apprentissage automatique adaptées aux scénarios avec des données étiquetées limitées ou bruitées, en utilisant le transport optimal et l'alignement.