de la stratification à la prédiction : apprentissage automatique multimodal par modèles à blocs latents et mélanges d'experts.

from stratification to prediction: multimodal machine learning with latent block models and mixtures of experts.

• Auteur / Autrice : Kylliann De santiago
• Direction : Christophe Ambroise
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées
• Date : Inscription en doctorat le 01/02/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard
• Partenaire(s) de recherche : Laboratoire : LaMME - Laboratoire de Mathématiques et Modélisation d'Evry
• Partenaire(s) de recherche : Equipe de recherche : Statistique pour la Génomique et la Génétique
• Partenaire(s) de recherche : Référent : Université d'Évry Val d'Essonne
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Mathématiques (2020-....)

Mots clés

Mots clés libres

Apprentissage multimodal

Modèle à blocs stochastique

Modèle à blocs latents

Mélanges d'experts

Sélection de modèle

Multimodal machine learning

Stochastic block model

Latent block model

Mixture of experts

Model selection

Résumé

Cette thèse vise à développer et implémenter des méthodes à base de noyau consensus pour proposer une classification automatique des patients en sous-groupes, à partir des différentes modalités décrivant les traumatismes sonores aigus (TSA). Dans un second temps, elle vise à identifier des biomarqueurs caractéristiques des différents sous-groupes de TSA.

This thesis aims to develop and implement kernel-based consensus methods to propose an automatic classification of patients into subgroups, based on the different modalities describing acute sound trauma (AST). Secondly, it aims to identify biomarkers characteristic of the different subgroups of AST.