Thèse soutenue

Découverte, explicitation et gestion de relations sémantiques par apprentissage profond sur base d'informations variée, volumineuse et de véracité variable : application au renseignement
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Jacques Everwyn
Direction : Abdel-Illah Mouaddib
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 14/06/2021
Etablissement(s) : Normandie
Ecole(s) doctorale(s) : École doctorale mathématiques, information et ingénierie des systèmes (Caen)
Partenaire(s) de recherche : Laboratoire : Groupe de recherche en informatique, image, automatique et instrumentation de Caen (1995-....)
établissement de préparation : Université de Caen Normandie (1971-....)
Jury : Président / Présidente : Fatiha Saïs
Examinateurs / Examinatrices : Abdel-Illah Mouaddib, Céline Rouveirol, Aldo Napoli, Sébastien Ferré, Engelbert Mephu-Nguifo, Sylvain Gatepaille, Bruno Zanuttini
Rapporteurs / Rapporteuses : Céline Rouveirol, Aldo Napoli

Mots clés

FR  |  
EN

Mots clés contrôlés

Résumé

FR  |  
EN

Les opérateurs de surveillance maritime ont besoin de la meilleure représentation possible d'une situation sous leur responsabilité, une représentation connue comme la Situational Awareness maritime (SAM). Avec le développement rapide des données capteurs et satellites, ces opérateurs doivent traiter de larges flux de données venant de multiples sources de l'écosystème maritime. De ce fait, ils ont besoin d'une aide à la décision pour se repérer dans cet océan d'informations.Nous avons choisi les graphes dynamiques avec attributs pour représenter une situation maritime. Ce sont des graphes qui représentent les interactions entre les entités ainsi que l'évolution de leurs attributs. De telles structure peuvent représenter des situations de la vie réelle impliquant des objets mouvants et interagissant, ce qui permet d'obtenir des capacités de visualisation et de traitement avec une couche d'information sémantique. En pouvant prédire de nouveaux liens entre les entités d'une situation, nous pourrions lever des alertes anticipées aux opérateurs pour qu'ils sachent où regarder dans la donnée pour comprendre ce qu'il se passe. Cependant, la plupart des techniques de prédiction de liens ne traitent que des cas statiques ou sans attributs, ce qui les rend inutilisables dans notre cadre.Dans cette thèse, nous proposons Joint Evolution, un système d'encodeur-décodeur de bout en bout composé de deux réseaux de neurones. Joint Evolution utilisent les relations et les attributs d'un graphe de connaissance dans un contexte dynamique pour prédire de nouvelles relations entre les entités. L'hypothèse principale testée dans ces travaux est que l'ajout d'attributs dans la prédiction de liens peut améliorer les résultats grâce à l'ajout d'informations. Nous testons Joint Evolution sur deux jeux de données: datAcron, un jeu de données maritime qui remonte les événements arrivés dans la baie de Biscay pour 364 bateaux et DBLP, un réseau de citation avec des milliers d'auteurs qui sont co-auteurs et se citent les uns les autres.