Deep learning pour l'acquistion d'information dans des inférences bayésiennes

L'apprentissage profond (deep learning, deep structured learning, hierarchical learning) est un ensemble de méthodes d'apprentissage automatique tentant de modéliser avec un haut niveau d’abstraction des données grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.

Un grand nombre d'outils probabilites d'analyse comportementale sont sous-tendus aujourd'hui par des modèles bayésiens permettant d’inférer des caractéristiques fondamentales de l’individu à partir de données observationnelles. Par ailleurs, les modèles comportementaux impliquent également que des aspects plus difficiles à capter comme l’attitude, l'émotion des personnes, etc. sont issus de ces même caractéristiques sans pour autant proposer un moyen de les réduire à des observations aisément intégrables dans le modèle probabiliste (i.e. sous la forme de vraisemblance).

Le but de stage est donc de proposer un outil de classification utilisant les outils et modèles du deep learning afin de permettre de classifier ces informations comme des 'evidence' probabilistes. Plus généralement, il s’agira d’étudier l’articulation d’un modèle décisionnel comme une structure hiérarchique liant des modèles « boîtes noires » permettant l’intégration de l’information et des modèles « boîtes blanches » pour l’analyse et la représentation des relations entre concepts de haut niveau.

L’étudiant aura pour tâche de modéliser et de prétraiter la base d’apprentissage (images, vidéo, etc.), de sélectionner le type d’apprentissage profond et les outils/librairies à utiliser, puis d’effectuer et de valider l’apprentissage du classifier. Dans un second temps, il s’agira alors d’interfacer cet outil de classification et un outil d’inférence probabiliste afin de constituer la chaîne complète permettant d’utiliser des inférences probabilistes à partir de données d’entrées de type photographie ou vidéo. Si possible, dans un troisième, il pourra s’agir de proposer un cadre théorique général permettant de comprendre l’interaction entre apprentissage profond et vraisemblance d’observations probabilistes.