Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

16 novembre 2020

Comment classifier de petites bases de données en utilisant la connaissance des plus grandes par le Few shot learning


Catégorie : Stagiaire


Ce projet s’inscrit dans le cadre d’une collaboration soutenue entre le L2S et IFP énergies nouvelles sur des problématiques de science des données, machine learning et intelligence artificielle.

Dans ce stage nous nous intéressons principalement aux bases de données issues de la physique, comme celles d’images sismiques, qui sont beaucoup moins nombreuses, moins fournies et moins faciles à labeliser que les images naturelles par exemple. Le but de la collaboration est de tirer tout de même partie des avancées récentes en apprentissage statistique, en particulier en “deep-learning” pour ce type de données. Dans le cadre de ce stage nous nous intéressons au concept émergent de
few shot learning [2, 3].

Le principe de cette théorie récente est d’incorporer une information supplémentaire pour pouvoir traiter un problème d’apprentissage pour lequel la base de données est insuffisante car peu fournie.

L’humain peut reconnaître à partir de très peu d’exemples une classe nouvelle d’objets. Il saura que l’objet n’appartient pas à l’ensemble des objets connus et sera capable de créer une nouvelle classe et ce à partir de très peu d’exemples. Ces fonctions d’apprentissage passées lui permettent de retirer / d’extraire de l’objet des caractéristiques suffisantes pour le distinguer des autres objets connus. Cette méthode tente de mimer ce comportement. Nous voudrions alors mettre en œuvre cette théorie dans le cadre de problèmes de classification d’images physiques.

Travail proposé

Ce stage vise ainsi à mettre en place et valider une méthode d’apprentissage, en l’occurence de classification, par la méthode des few shot learning [1] pour des images type images sismiques. Les résultats pourront être comparés aux résultats obtenus actuellement par d’autres méthodes développées par ailleurs. Le programme de recherche pourra être le suivant :
— Bibliographie sur les méthodes few shot learning
— Implémentation de l’approche (python (pytorch de préférence)).
— Tests et validation avec des bases de données de textures.
— Comparaison avec d’autres méthodes.

Compétences

machine learning, python, mathématiques appliqués

Information pour la candidature

Stage de 4 à 6 mois, gratification standard.

Lieu du stage :

L2S. Une poursuite en thèse pourra être envisageable.

Contacts

Aurélia Fraysse, L2S, aurelia.fraysse@l2s.centralesupelec.fr
Jean Charléty, IFPEN, jean.charlety@ifpen.fr

Références

[1] Wei-Yu Chen, Yen-Cheng Liu, Zsolt Kira, Yu-Chiang Frank Wang, and Jia-Bin Huang. A closer look at few-shot classification. In International Conference on Learning Representations, 2019.
[2] Hugo Larochelle. Few-Shot Learning, pages 1–4. Springer International Publishing, Cham, 2020.
[3] Yaqing Wang, Quanming Yao, James Kwok, and Lionel M. Ni. examples : A survey on few-shot learning.

 

Dans cette rubrique

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