Apprentissage statistique de dynamiques physiques
Auteur / Autrice : | Jérémie Donà |
Direction : | Patrick Gallinari, Gérard Biau |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 25/05/2022 |
Etablissement(s) : | Sorbonne université |
Ecole(s) doctorale(s) : | École doctorale Informatique, télécommunications et électronique de Paris (1992-...) |
Partenaire(s) de recherche : | Laboratoire : Institut des systèmes intelligents et de robotique (Paris ; 2009-....) |
Jury : | Président / Présidente : Marc Schoenauer |
Examinateurs / Examinatrices : Anna Korba | |
Rapporteurs / Rapporteuses : Nicolas Bousquet, Amaury Habrard |
Mots clés
Résumé
La modélisation de processus naturels repose souvent sur une description physique qui prescrit les changements dans l'état du système. L'utilisation de connaissances spécifiques relatives au système permet la traduction de principes physiques en modèles, ensuite validés par des données expérimentales. Fort de succès dans de nombreux domaines comme la classification d'images, l'apprentissage profond est devenu un outil puissant pour la modélisation de processus physiques. Toutefois, l'apprentissage statistique de processus physiques uniquement guidée par les données souffre de plusieurs limites comme l'instabilité lors de l'apprentissage et les capacités de généralisation réduites. Un objectif de ce travail réside dans la construction d'outils permettant la prédiction de systèmes physiques. En particulier, nous étudions les phénomènes spatio-temporels obéissant à une équation différentielle et nous concentrons sur l'incorporation de connaissances a priori dans les algorithmes d'apprentissage. Ainsi nous étudions les systèmes hybrides physiques-statistiques pour la modélisation de processus physiques. Après avoir identifier les problèmes liés à l'apprentissage de dynamiques hybrides nous proposons un cadre et des contraintes adaptés afin d'améliorer l'interprétabilité et la performance des algorithmes appris. A l'inverse, les systèmes dynamiques ont fourni de nombreux outils pour améliorer les modèles statistiques. Toutefois, les réseaux de neurones restent qualifiés de "boîte-noire" car non interprétables. Ainsi, nous tenterons d'ouvrir la boîte noire et de proposer des architectures de réseaux de neurones plus interprétables et aux capacités de généralisation accrues.