Description
Date depot: 29 novembre 2018
Titre: Modèles de réseaux de neurones profonds interprétables pour la classification de séries temporelles univariées et multivariées
Directeur de thèse:
Patrick GALLINARI (ISIR (EDITE))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Intelligence artificielle
Resumé:
La thèse vise à étudier le potentiel de méthodes statistiques basées sur les réseaux de neurones profonds, qui sont une des méthodes phares actuelles de l’apprentissage statistique, pour l’analyse de séries univariées et multivariées représentant des données temporelles complexes, multi-sources et hétérogènes. Il s’agit d’une problématique fondamentale qui est au cœur de plusieurs axes de R&D du Centre de Traitement et d’Analyse de l’Information (CENTAI), qui sera l’équipe d’accueil de la thèse chez Thales. Parmi les axes du CENTAI en lien avec cette problématique, on peut citer le transport et la ville intelligente, l’analyse de données sociales, la maintenance prédictive, le diagnostic. L’objectif premier de la thèse est d’explorer les capacités de méthodes neuronales récentes afin de classifier différentes séries temporelles tout en veillant à conserver un caractère interprétable des résultats. En effet l’interprétation joue un rôle majeur pour les applications industrielles (dans le cas de diagnostic par exemple) et les méthodes usuelles employées pour la classification de séries temporelles sont pour la plupart peu interprétables.
Doctorant.e: Lamrayah Mehdi