{"id":537,"date":"2018-12-16T17:04:38","date_gmt":"2018-12-16T16:04:38","guid":{"rendered":"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/?p=537"},"modified":"2018-12-20T13:51:52","modified_gmt":"2018-12-20T12:51:52","slug":"sujets-de-ter-et-de-stages-m2-iaaa","status":"publish","type":"post","link":"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/?p=537","title":{"rendered":"Sujets 2019 de TER et de stages M2 (IAAA et autres masters)"},"content":{"rendered":"<h1>\u00a0Sujets de TER et de stages M2<\/h1>\n<hr \/>\n<h2>Few shot generative models \/ Apprentissage de repr\u00e9sentations binaires de classes<\/h2>\n<ul>\n<li>Sujet de stage<strong>\u00a0[<a href=\"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/wp-content\/uploads\/2018\/12\/FewShotGenerativeModel.pdf\">Description<\/a>]<\/strong><\/li>\n<li>Sujet de TER associ\u00e9<\/li>\n<\/ul>\n<p class=\"p1\">Le zero shot learning vise apprendre<span class=\"Apple-converted-space\">\u00a0 <\/span>des classifieurs capables, une fois l\u2019apprentissage r\u00e9alis\u00e9 sur des exemples de classes d\u2019apprentissage, de classer des exemples dans des nouvelles classes sans<span class=\"Apple-converted-space\">\u00a0 <\/span>disposer d\u2019exemples d\u2019apprentissage pour ces classes. Une strat\u00e9gie classique pour r\u00e9aliser cela consiste \u00e0 exploiter des repr\u00e9sentations des classes sous forme de vecteurs d\u2019attributs binaires d\u00e9finis \u00e0 la main pour repr\u00e9senter la pr\u00e9sence ou l\u2019absence d\u2019un certain nombres de concepts dans les exemples d\u2019une classe [Palatucci et al., 2010]. Par exemple si l\u2019on consid\u00e8re des images d\u2019animaux et que les classes sont les esp\u00e8ces, chaque esp\u00e8ce peut \u00eatre caract\u00e9ris\u00e9e par un vecteur binaire (ou bool\u00e9en) correspondant aux r\u00e9ponses \u00e0 des questions du type: l\u2019animal vole, l\u2019animal est un mamiph\u00e8re, l\u2019animal vit en Afrique, etc\u2026 L\u2019objectif de ce TER est de mettre au point une m\u00e9thode permettant automatiquement de d\u00e9terminer une repr\u00e9sentation binaire des classes en exploitant des architectures neuronales et en particulier des neurones binaires \u00e0 l\u2019image de ce qui est fait dans [Bengio et al., 2013],[Van den Oord et al., 2017] .<\/p>\n<p class=\"p1\">[Bengio et al., 2013] Yoshua Bengio, Nicholas L\u00e9onard, Aaron Courville, Estimating or Propagating Gradients Through Stochastic Neurons for Conditional Computation, arXiv, 2013.<\/p>\n<p class=\"p1\">[Palatucci et al., 2010] Mark Palatucci, Dean Pomerleau, Geoffrey E. Hinton, Tom M. Mitchell, Zero-shot Learning with Semantic Output Codes. NIPS 2009.<\/p>\n<p>[Van den Oord et al., 2017] A\u00e4ron van den Oord, Oriol Vinyals, Koray Kavukcuoglu, Neural Discrete Representation Learning. NIPS 2017: 6309-6318<\/p>\n<hr \/>\n<h2>Active view acquisition for complex data classification<\/h2>\n<ul>\n<li>Sujet de TER<\/li>\n<\/ul>\n<p class=\"p1\">Il est parfois difficile d\u2019observer toute l\u2019information (i.e. toutes les caract\u00e9ristiques) d\u2019un exemple que l\u2019on veut classifier, soir parce que l\u2019information n\u2019est pas totalement disponible, soit parce que certaines caract\u00e9ristiques d\u2019un exemple est ch\u00e8re \u00e0 acqu\u00e9rir (par exemple un examen m\u00e9dical dans le cas du diagnostic). Mettre au point des classifieurs capables de<span class=\"Apple-converted-space\">\u00a0 <\/span>prendre des d\u00e9cisions<span class=\"Apple-converted-space\">\u00a0 <\/span>tout en ne consid\u00e9rant qu\u2019une partie de l\u2019information sur un exemple est un domaine appel\u00e9 budgeted learning, et id\u00e9alement les caract\u00e9ristiques n\u00e9cessaires \u00e0 la d\u00e9cision sont acquises en plusieurs \u00e9tapes, en fonction de ce qui a \u00e9t\u00e9 observ\u00e9 on parle de active budget learning [Contardo et al., 2016]. Dans certaines situations comme lorsque l\u2019on s\u2019int\u00e9resse \u00e0 reconnaitre des objets \u00e0 l\u2019aide de cam\u00e9ras que l\u2019on peut commander, on peut chercher \u00e0 faire bouger optimalement la cam\u00e9ra autour de l\u2019objet pour prendre une d\u00e9cision la plus pr\u00e9cise possible et au plus vite. Le but du TER est d\u2019\u00e9laborer une premi\u00e8re architecture neurone pour r\u00e9aliser cette t\u00e2che de manipulation optimale de la cam\u00e9ra pour la reconnaissance d\u2019objets 3D, en utilisant un data set d&rsquo;objets 3D de type ModelNet utilis\u00e9 notamment dans [Gadelha et al., 2017]<span class=\"Apple-converted-space\">\u00a0 <\/span>et [Jayaraman et al., 2018] ou 3D chairs (cf. https:\/\/github.com\/mathieuaubry\/seeing3Dchairs).<\/p>\n<p class=\"p1\">[Contardo et al., 2016] Gabriella Contardo, Ludovic Denoyer, Thierry Arti\u00e8res, Recurrent Neural Networks for Adaptive Feature Acquisition. ICONIP (3) 2016: 591-599<\/p>\n<p class=\"p1\">[Gadelha et al., 2017] Matheus Gadelha, Subhransu Maji, Rui Wang, 3D Shape Induction from 2D Views of Multiple Objects. 3DV 2017: 402-411<\/p>\n<p class=\"p1\">[Jayaraman et al., 2018] Dinesh Jayaraman,\u00a0Kristen Grauman, Learning to Look Around: Intelligently Exploring Unseen Environments for Unknown Tasks.\u00a0CVPR\u00a02018:\u00a01238-1247<\/p>\n<p>&nbsp;<\/p>\n<hr \/>\n<h2>Apprentissage avec variables manquantes<\/h2>\n<ul>\n<li>Sujet de TER<\/li>\n<\/ul>\n<p class=\"p1\">De multiples strat\u00e9gies ont \u00e9t\u00e9 explor\u00e9e en apprentissage automatique pour g\u00e9rer les variables manquantes dans les donn\u00e9es, tel que remplacer les valeurs manquantes par les valeurs moyennes ou par des valeurs particuli\u00e8res\u2026 Souvent les techniques employ\u00e9es ne prennent pas en compte les corr\u00e9lations entre variables et leurs interd\u00e9pendances, ce pour quoi les r\u00e9seaux de neurones sont r\u00e9put\u00e9s performants. L\u2019id\u00e9e de ce TER est de travailler sur des donn\u00e9es<span class=\"Apple-converted-space\">\u00a0 <\/span>pour lesquelles un fort pourcentage de variables sont manquantes et de tester des architectures neuronales susceptibles de g\u00e9rer ces situations tout en s\u2019appuyant sur les interd\u00e9pendances entre caract\u00e9ristiques pour conserver des performances optimales. Le but est de s\u2019appuyer sur la m\u00e9thode propos\u00e9e dans [Grangier et al., 2010] et d\u2019en faire une version neuronale profonde afin d\u2019exploiter les capacit\u00e9s de ces architectures pour l\u2019extraction de caract\u00e9ristiques.<\/p>\n<p class=\"p1\">[Grangier et al., 2010] David Grangier and Iain Melvin, Feature Set Embedding for Incomplete Data, Advances in Neural Information Processing Systems 23 (NIPS 2010).<\/p>\n<hr \/>\n<h2>Generative adversarial networks for higher resolution images<\/h2>\n<p>Avec St\u00e9phane Ayache<\/p>\n<ul>\n<li>Sujet de stage <a href=\"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/wp-content\/uploads\/2018\/12\/Generative-adversarial-networks-for-higher-resolution-images-1.pdf\">[Description]<\/a><\/li>\n<li>Sujet de TER : A venir<\/li>\n<\/ul>\n<hr \/>\n<h2 class=\"p1\">Experiments on Deep Tensor Learning for Few Shot Learning and Adversarial Robustness<\/h2>\n<p>(Utilisation de d\u00e9composition tensorielle pour l&rsquo;apprentissage de r\u00e9seaux de neurones avec peu d&rsquo;exemples et la robustesse aux perturbations adversariales)<\/p>\n<ul>\n<li>Sujet de TER <a href=\"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/wp-content\/uploads\/2018\/12\/DeepTenseursTER.pdf\">[Description]<\/a>\n<ul>\n<li>avec St\u00e9phane Ayache et Hachem Kadri<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<hr \/>\n<h1><strong>D\u00e9couverte non supervis\u00e9e des unit\u00e9s sonores \u00e9l\u00e9mentaires d\u2019un langage parl\u00e9 <\/strong><\/h1>\n<p>Avec Ricard Marxer<\/p>\n<ul>\n<li>Sujet de stage <a href=\"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/wp-content\/uploads\/2018\/12\/UnsupervisedSpeechUnitDiscovery.pdf\">[Description]<\/a><\/li>\n<li>Sujet de TER\n<ul>\n<li>a venir<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<p>&nbsp;<\/p>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>\u00a0Sujets de TER et de stages M2 Few shot generative models \/ Apprentissage de repr\u00e9sentations binaires de classes Sujet de stage\u00a0[Description] Sujet de TER associ\u00e9 Le zero shot learning vise apprendre\u00a0 des classifieurs capables, une fois l\u2019apprentissage r\u00e9alis\u00e9 sur des exemples de classes d\u2019apprentissage, de classer des exemples dans des nouvelles classes sans\u00a0 disposer d\u2019exemples&hellip;<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[6],"tags":[],"class_list":["post-537","post","type-post","status-publish","format-standard","hentry","category-hiring"],"_links":{"self":[{"href":"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/index.php?rest_route=\/wp\/v2\/posts\/537","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/index.php?rest_route=\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=537"}],"version-history":[{"count":22,"href":"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/index.php?rest_route=\/wp\/v2\/posts\/537\/revisions"}],"predecessor-version":[{"id":574,"href":"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/index.php?rest_route=\/wp\/v2\/posts\/537\/revisions\/574"}],"wp:attachment":[{"href":"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=537"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=537"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/pageperso.lis-lab.fr\/thierry.artieres\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=537"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}