Optimisation min-max robuste pour l'apprentissage

Robust min-max optimization for learning

• Auteur / Autrice : Waïss Azizian
• Direction : Jerome Malick, Panayotis Mertikopoulos
• Type : Projet de thèse
• Discipline(s) : Mathématiques Appliquées
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique
• Partenaire(s) de recherche : Laboratoire : Laboratoire Jean Kuntzmann

Mots clés

Mots clés libres

Optimisation

Min-max

Apprentissage

Optimization

Min-max

Learning

Résumé

Les succès, tout azimuth, des méthodes de machine learning ne masquent pas que dans certaines conditions “reìelles”, les algorithmes d'apprentissage, malgreì leur capaciteì aÌ passer aÌ l'eìchelle, restent vulneìrables et les algorithmes d'optimisation sous-jacents peuvent montrer de mauvaises convergences. Dans ce cadre, cette theÌse se propose d'examiner de tels eìchecs et d'avancer des meìthodologies pour les surmonter: il s'agit de gagner en robustesse, aÌ la fois sur les modeÌles et les algorithmes, notamment au regard de (1) la robustesse par rapport aÌ la distribution des donneìes et (2) la robustesse en preìsence d'adversaire (comme dans le cas des reìseaux adversariaux geìneìratifs GANs).

The broad successes of machine learning methods, even at large scales, must be contrasted with their vulnerabilities when applied to the real-world and the underlying optimization algorithms can exhibit spurious convergence phenomena. in this context, this PhD aims at studying those failures and at proposing tactics to overcome them: it involves improving robustness of both models and algorithms, especially with respect to the data distribution or against adversaries (eg with Generative Adversarial Networks).