Axe : IID
Coordinateurs : Michele Sebag (LRI – UMR 8623, Univ. Paris-Saclay), Dominique Fourer (IBISC – EA4526, Univ. Evry)
Laboratoire gestionnaire : LRI
Autres laboratoires impliqués : IBISC, L2S, LTCI
Équipes concernées et liste des participants :
1. LRI – équipe TAU
— Michele Sebag (DR)
— Éléonore Bartenlian (Doctorante)
2. IBISC – équipe SIAM
— Dominique Fourer (MCF)
— Hichem Maaref (PR)
— Vincent Vigneron (MCF)
3. IBISC – équipe AROBAS
— Blaise Hanczar (PR)
4. L2S – CentraleSupélec
— Frédéric Pascal (PR)
5. TelecomParisTech LTCI
— Roland Badeau (PR)
— Geoffroy Peeters (PR)
Présentation :
Ce GT vise a rapprocher les communautés de l’apprentissage automatique
et du traitement du signal dans le but de faire émerger des approches innovantes. Les applications visées concernent l’analyse et le traitement de signaux naturels non stationnaires multicomposantes (i.e. audio, parole, images, videos, signaux biomédicaux, capteurs, etc.).
Les signaux non stationnaires multicomposantes sont présents dans de nombreux domaines des sciences tels que le traitement audio, des images, le génie biomédical ou le génie électrique. Leur exploitation efficace dans un cadre pratique nécessite souvent des traitements utilisant des modèles physiques déterministes ou probabilistes ainsi que des heuristiques reposant sur l’apprentissage automatique appliqué sur des données d’entraînement.
Les différences entre ces deux approches nécessite de faire communiquer entres eux des chercheurs de disciplines et de cultures scientifiques différentes : informaticiens, automaticiens, physiciens, mathématiciens, etc.
Ainsi, ce GT se place au niveau méthodologique et vise à réunir autour de domaines applicatifs communs des chercheurs issus de ces différentes communautés dans le but de répondre à plusieurs défis scientifiques énumérés ci-dessous :
— le choix et la pertinence des représentations utilisées pour les données ainsi que leurs propriétés d’invariance par transformation,
— l’interprétation et la compréhension de l’information exploitée par les modèles entraînés sur des données,
— la validation et la robustesse des modèles entraînés et plus particulièrement ceux reposant sur les réseaux de neurones profonds.
Par ses activités, ce GT a pour objectif de favoriser le développement d’approches innovantes à l’interface entre la physique et l’informatique dans le domaine de l’intelligence artificielle.