Julien Mairal

Établissement d’accueil : INRIA

Laboratoire : LJK

Appel à projets : Starting (PE6)

Nom du projet : SOLARIS – Apprentissage à grande échelle avec des machines Deep Core

Montant : 1.49 M€

Description :

L’apprentissage automatique est devenu un élément clé des domaines scientifiques qui produisent une quantité massive de données et qui ont un besoin urgent d’outils évolutifs pour leur donner automatiquement un sens.

Malheureusement, la modélisation statistique classique est souvent devenue impraticable en raison des récents changements dans la quantité de données à traiter, ainsi que de la grande complexité et de la grande taille des modèles capables de tirer parti de données massives.

La promesse de SOLARIS est d’inventer une nouvelle génération de modèles d’apprentissage automatique qui répondent aux besoins actuels d’analyse de données à grande échelle : grande évolutivité, capacité à traiter des modèles de grande dimension, apprentissage rapide, facilité d’utilisation et adaptabilité à diverses données. structures.

Pour réaliser les percées attendues, notre angle d’attaque consiste en de nouvelles techniques d’optimisation pour résoudre des problèmes à grande échelle et un nouveau paradigme d’apprentissage appelé machine à noyau profond. Ce paradigme marie deux écoles de pensée qui ont été considérées jusqu’à présent comme ayant peu de chevauchement : les méthodes du noyau et l’apprentissage en profondeur.

Le premier est associé à une théorie et une méthodologie bien comprises mais manque d’évolutivité, alors que le second a obtenu des succès significatifs sur des problèmes de prédiction à grande échelle, notamment en vision par ordinateur.

Les machines à noyau profond conduiront à des percées théoriques et pratiques dans l’apprentissage automatique et les domaines connexes.

Par exemple, les réseaux de neurones convolutionnels ont été inventés il y a plus de deux décennies et sont aujourd’hui à la pointe de la technologie pour la classification d’images.

Pourtant, les fondements théoriques et la méthodologie fondée sur des principes de ces réseaux profonds sont introuvables.

Le projet abordera ces questions fondamentales et ses résultats devraient rendre les réseaux profonds plus simples à concevoir, plus faciles à utiliser et plus rapides à former.

Il tirera également parti de la capacité des noyaux à modéliser l’invariance et à travailler avec une large classe de données structurées telles que des graphes et des séquences, conduisant à un large éventail d’applications avec des avancées potentiellement révolutionnaires dans divers domaines scientifiques.