Modèle hybride spectral markovien par apprentissage semi-contraint et multi-échelle

Hybrid spectral Markov model using semi-constrained multi-scale learning

• Auteur / Autrice : Aziz Allouche
• Direction : Émilie Poisson, Sonia Hajri-gabouj
• Type : Projet de thèse
• Discipline(s) : Informatique et applications
• Date : Inscription en doctorat le 13/06/2024
• Etablissement(s) : Littoral
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : LISIC - Laboratoire d'Informatique, Signal et Image de la Côte d'Opale

Mots clés

Mots clés libres

Séries temporelles

Apprentissage par contraintes

Apprentissage multi- échelle

Classification semi-supervisée

Time series

Constraint learning

Multi-scale learning

Semi-supervised classification

Résumé

L'objectif de thèse est de faire émerger des méthodes capables d'intégrer l'ensemble des informations disponibles des processus physico-biologiques, acquises à des fréquences hebdomadaires, mensuelles ou annuelles directement dans l'apprentissage/construction des systèmes de détection et prédiction actuels qui travaillent sur des échelles beaucoup plus fine (de la seconde à 20 minutes). La connaissance actuelle des processus est souvent partielle et incomplète aussi bien temporellement que spatialement, notamment à cause d'opérations de surveillance dites « coup-de-poing » ou de campagnes en mer sur des périodes données. Les approches de clustering spectral contraint, clustering multi-échelle et la modélisation markovienne ont démontré leur intérêt comme aide à l'interprétation des événements d'un milieu naturel. Il convient maintenant d'apporter une interprétation intégrée tant sur la connaissance de la phénologie des processus que sur le niveau d'interprétation souhaitée (approche globale à fine). Les travaux de recherche liés à cette thèse impliqueront un consortium de deux membres HDR du LISIC (E. Caillault et P. Hébert), la Professeure Sonia Hajri Gabouj (INSAT, Tunisie) et le chercheur expert Alain Lefebvre (Dir. LER-BL/IFREMER, HDR).

The aim of this thesis is to develop methods capable of integrating all available information on physical and biological processes, acquired at weekly, monthly or annual frequencies, directly into the learning/construction of current detection and prediction systems, which work on much finer scales (from seconds to 20 minutes). Current knowledge of processes is often partial and incomplete, both temporally and spatially, due in particular to ''hit-and-run'' monitoring operations or campaigns at sea over given periods. Constrained spectral clustering, multiscale clustering and Markov modeling approaches have proved their worth as an aid to interpreting events in a natural environment. The challenge now is to provide an integrated interpretation, both in terms of knowledge of the phenology of processes and the desired level of interpretation (global to fine-grained approach). The research associated with this thesis will involve a consortium of two LISIC HDR members (E. Caillault and P. Hébert), Professor Sonia Hajri Gabouj (INSAT, Tunisia) and expert researcher Alain Lefebvre (Dir. LER-BL/IFREMER, HDR).