Évènements

23 Nov
23/11/2020 14:00

Sciences & Société

Soutenance de thèse : Sofiane DHOUIB

Contributions to unsupervised domain adaptation: similarity functions, optimal transport and theoretical guarantees

Doctorant : Sofiane DHOUIB

Laboratoire INSA : CREATIS

Ecole doctorale : EDA160 : Electronique, Electrotechnique, Automatique

Dans le cadre de cette thèse, nous nous intéressons à l’adaptation de domaine, une branche de l’apprentissage statistique où l’on considère un jeu de données d’entraînement ayant des étiquettes observables, appelée source, et un jeu de données de test aux étiquettes non accessibles, appelé cible.  Contrairement au cadre classique  de l’apprentissage supervisé, les deux jeux de données proviennent potentiellement de deux distributions de probabilité différentes, nommées elles aussi distributions source et cible.
Nos contributions portent essentiellement sur l’aspect méthode dans l’objectif de développer un algorithme d’adaptation de domaine pour les classifieurs binaires à vaste marge. Au début de la thèse, nous nous sommes intéressés à l’apprentissage avec des fonctions de similarité dites (ϵ,γ,τ)-bonnes dans le cadre d’adaptation de domaine, vu que ces fonctions ont été introduites dans la littérature dans le cadre classique de l’apprentissage supervisé. C’est le sujet de notre première contribution dans laquelle nous étudions théoriquement la performance d’une fonction de similarité sur une distribution cible, étant donné qu’elle est convenable pour la distribution source. Ensuite, nous avons abandonné ce cadre pour nous orienter plus généralement vers la classification à vaste marge dans le cadre de l’adaptation domaine et en partant suppositions plus faibles que celles prises dans la première contribution. Dans ce contexte, nous avons proposé une nouvelle étude théorique et un algorithme d’adaptation de domaine, ce qui constitue notre deuxième contribution. Cette dernière contient un aspect que nous avons généralisé pour travailler sur une variation adversariale du problème du transport optimal, ce qui est le sujet de notre dernière contribution.