Des sujets de stages sont disponibles sur les thématiques suivantes. Les sujets sont modulables
** en stage long de M2 Recherche
** en stage long de fin d’études ingénieur (Ecole Centrale 3ème année)
** en stage court d’étudiants ingénieurs (Ecole Centrale Centrale 2ème année)
- Interprétation dans les réseaux de neurones. L’interprétabilité des modèles d’apprentissage et des réseaux ce neurones en particulier est un verrou technologique qui limite leur utilisation, malgré leurs bonnes performances, dans des domaines liés à la santé, la sécurité etc.
- Few shot learning: Le few shot learning désigne la situation dans laquelle on dispose de très peu d’exemples d’apprentissage pour apprendre une nouvelle classe. Voir par exemple https://arxiv.org/abs/1706.08334 pour le few shot learning et pour le zero shot learning (https://www.elen.ucl.ac.be/Proceedings/esann/esannpdf/es2015-115.pdf) lorsque l’on ne dispose d’aucun exemple d’apprentissage!
- Prédiction dans des séries massives. La prédiction de séries temporelles est un problème très étudié depuis longtemps. Il se pose récemment dans des termes nouveaux en termes d’échelle, avec des données massives de séries temporelles. Voir par exemple le challenge Kaggle https://www.kaggle.com/c/web-traffic-time-series-forecasting. Ce problème se rapproche de celui de l’extreme classification qui désigne la classification très grand nombre de classes (voir par exemple http://papers.nips.cc/paper/5083-robust-bloom-filters-for-large-multilabel-classification-tasks et https://arxiv.org/abs/1503.08581)
- Adversarial learning. L’adversarial est une stratégie récente d’apprentissage permettant de mettre au point des modèles génératifs performants pour des données complexes. Il permet d’apprendre des modèles qui générent des images réalistes, transforment une photo en une peinture dans le style de tel ou tel artiste, etc. Voir par exemple https://arxiv.org/abs/1711.00305 et http://www.iva2017.org/papers/104980470.pdf