Axes de recherche

L’apprentissage frugal, l’apprentissage à partir de peu de données :

ou comment entraîner et valider des algorithmes d’IA à partir de données inégales et limitées en quantité (volume) et en qualité (caractéristiques).

L’apprentissage multi-vue, multitâche et distribué :

ou comment bénéficier de l’aspect multiple de certaines données, issues par exemple d’enregistrements multi-capteurs, et les traiter conjointement.

L’apprentissage profond orienté signal :

ou comment mieux représenter les spécificités des signaux audio dans les modèles d’apprentissage profond en hybridant des méthodes de traitement du signal avec des techniques d’apprentissage machine.

L’apprentissage faiblement supervisé :

ou comment aller au-delà du paradigme d’apprentissage supervisé, dans lequel les données sont parfaitement bien étiquetées, pour apprendre à partir de données qui soient peu ou faiblement annotées.

L’apprentissage de modèles génératifs et interprétables :

ou comment aller au-delà du paradigme d’apprentissage supervisé, dans lequel les données sont parfaitement bien étiquetées, pour apprendre à partir de données qui soient peu ou faiblement annotées.