Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

9 mai 2020

Fiabilité de l'apprentissage par réseaux de neurones, application aux signaux biomédicaux


Catégorie : Doctorant


Contacts :

Florence Alberge (florence.alberge@universite-paris-saclay.fr) et Aurelia Fraysse (aurelia.fraysse@universite-paris-saclay.fr)

Description du sujet de recherche et du travail attendu :

Les algorithmes d'intelligence artificielle ont obtenu des résultats remarquables dans les dix dernières années. En 2012, les premières applications ont vu le jour en reconnaissance automatique de la parole et ont rapidement été suivies par des progrès majeurs dans le domaine de l'image et de l'identification des contenus. Ces avancées sont principalement dues aux techniques d'apprentissage automatique et en particulier à une technique connue sous le nom "d'apprentissage profond". Par apprentissage profond, on entend un traitement réalisé par des couches successives de représentations qui prennent la forme d'un réseau de neurones. Le système est en mesure d'apprendre progressivement à partir des exemples qui lui sont fournis. Lorsque le nombre de données est suffisant, de très bonnes performances sont observées. Jusqu'à peu ces algorithmes étaient dédiés à des problèmes d'apprentissage mais récemment ils ont aussi été développés pour la résolution de problèmes inverses mal posés. Ces méthodes sont particulièrement porteuses dans le contexte de la classification et de l'analyse d'images médicales. Elles ont été également appliquées à des signaux biomédicaux unidirectionnels tels que les signaux EEG. Bien que générales, les méthodes développées pour les images ou pour la parole ne sont pas forcément les plus pertinentes pour les signaux EEG. En effet, le nombre de données correctement labellisées reste faible. Les stratégies utilisées pour l'image telle que l'augmentation artificielle de l'ensemble d'apprentissage par des modification élémentaires sur les images (rotations, translation, découpage,..) ne peuvent pas être appliquées ici. Des questions similaires se posent dans d'autres applications biomédicales telles que la respiration artificielle pour laquelle des méthodes avancées sont nécessaires afin d'ajuster correctement les paramètres de ventilation et d'analyser leur impact sur les échanges gazeux. Des premières solutions existent mais elles reposent sur un nombre faible de données réelles ou sur des données simulées approximatives. Pour ce qui est de l'utilisation des réseaux de neurones pour les problèmes inverses, des travaux récents se basent sur des ``generative prior'' pour lesquels une information a priori est construite à partir d'un jeu de données labellisées. L'inconvénient de ces méthodes est qu'elles sont peu stables.

L'apprentissage profond repose sur une``boite noire'' au processus de décision encore obscur. En particulier, le choix d'une architecture de réseau n'obéit pas encore à des règles claires et relève plus de l'intuition que d'une solide théorie. Par ailleurs, la stabilité de ces ``boites noires'' aux erreurs de modèle est encore peu connue. L'objectif principal de ce travail est de contribuer à une meilleure connaissance de la fiabilité du réseau de neurones dans le contexte de problèmes inverses mal-posés et à son application aux signaux 1D tels que les signaux EEG ou de respirateurs artificiels. Ainsi nous nous intéresserons à la fiabilité des réseaux de neurones vis à vis des erreurs de paramètres et des erreurs de modèles d'abord dans le cadre d'une classification tout ou rien puis dans le cadre de problèmes inverses mal posés. Le communauté du traitement du signal s'est intéressée à ces questions depuis de nombreuses années. Il s'agit dans cette thèse de confronter ou d'associer les méthodes à base d'apprentissage aux méthodes traditionnelles afin de concevoir des solutions performantes.

Le ou la candidat.e devra donc posséder de solides connaissances en apprentissage par réseaux de neurones mais également en traitement du signal.

Les résultats de ces travaux de thèse seront diffusés dans le cadre de publications dans des revues et des conférences internationales reconnues.

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.