Thèse : Enhancing Supervised Learning with Complex Aggregate Features and Context Sensitivity

Soutenance de thèse : Clément CHARNAY

Équipe : SDC

Titre : Enhancing Supervised Learning with Complex Aggregate Features and Context Sensitivity

Résumé : Dans cette thèse, nous étudions l'adaptation de modèles en apprentissage supervisé. Nous adaptons des algorithmes d'apprentissage existants à une représentation relationnelle. Puis, nous adaptons des modèles de prédiction aux changements de contexte.
En représentation relationnelle, les données sont modélisées par plusieurs entités liées par des relations. Nous tirons parti de ces relations avec des agrégats complexes. Nous proposons des heuristiques d'optimisation stochastique pour inclure des agrégats complexes dans des arbres de décisions relationnels et des forêts, et les évaluons sur des jeux de données réelles.
Nous adaptons des modèles de prédiction à deux types de changements de contexte. Nous proposons une optimisation de seuils sur des modèles à scores pour s'adapter à un changement de coûts. Puis, nous utilisons des transformations affines pour adapter les attributs numériques à un changement de distribution. Enfin, nous étendons ces transformations aux agrégats complexes.

Cette thèse a été dirigée par M. Nicolas Lachiche et co-encadrée par Agnès Braud (ICube).

La présentation en anglais aura lieu le jeudi 30 juin 2016 à 14h00 dans l'amphithéâtre A301 du pôle API.