Projet de recherche doctoral numero :4104

Description

Date depot: 1 janvier 1900
Titre: Apprentissage décentralisé pour le traitement de grandes masses de données
Directeur de thèse: Patrick GALLINARI (ISIR (EDITE))
Directeur de thèse: Ludovic DENOYER (Facebook)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini

Resumé: Le domaine de l'apprentissage automatique (Machine Learning) a beaucoup évolué au cours de la dernière décennie. Récemment, avec l'avènement de très grandes quantités d'informations disponibles sur le Web et l'émergence des Big Data, il est en train de changer de nature. En effet, la masse et la complexité croissante des données disponibles nécessitent d'utiliser de plus en plus des modèles prédictifs ainsi que des méthodes d’analyse automatique. L’apprentissage statistique dans ce contexte est maintenant un élément clé pour le traitement de ces données, et il est à la base du modèle économique d’entreprises industrielles aussi bien de grande que de petite taille. Cependant, le domaine continue d’évoluer. En effet, la masse grandissante des données collectées, et les changements dans les besoins des utilisateurs font que les méthodes classiques ne sont plus aptes à résoudre les besoins d’informations, et ce pour trois raisons principales: ( i) Le point de vue consistant à apprendre en utilisant toutes les données disponibles , considérant que les données d’entrainement ont été préalablement recueillies et peuvent être consultées d’une manière centralisée est de moins en moins réaliste ( ii ) le paradigme classique qui considère généralement l'apprentissage d’un seul modèle n'est pas bien adapté aux problèmes et aux tâches nouvelles ( iii ) en outre , la forte dynamicité et la relation complexe entre les éléments d'information a conduit à un changement dans la nature des données à traiter que les méthodes existantes ne traitent pas. Même si de plus en plus des algorithmes d’apprentissage parallèles ont été proposés récemment, ils reposent toujours sur les mêmes hypothèses.

Doctorant.e: Zheng Wenjie