Parcourir Faculté des arts et des sciences – Département d'informatique et de recherche opérationnelle - Thèses et mémoires par directeur·trice de recherche "Rish, Irina"
Voici les éléments 1-17 de 17
-
Agent abstraction in multi-agent reinforcement learning
(2022-10-26)Cette thèse est organisée en deux chapitres. Le premier chapitre sert d’introduction aux concepts et idées utilisés dans le deuxième chapitre (l’article). Le premier chapitre est divisé en trois sections. Dans la première section, nous introduisons ... -
Generalization in federated learning
(2023-02-22)L'apprentissage fédéré est un paradigme émergent qui permet à un grand nombre de clients disposant de données hétérogènes de coordonner l'apprentissage d'un modèle global unifié sans avoir besoin de partager les données entre eux ou avec un stockage ... -
Improving information subsampling with local inhibition
(2023-06-19)L’apprentissage machine a parcouru beaucoup de chemin avec des succès marquants ces dernières années. Pourtant, les réseaux de neurones font encore des erreurs surprenantes en présence de corrélations factices. Le réseau basera sa décision sur des ... -
Neurobiologically-inspired models : exploring behaviour prediction, learning algorithms, and reinforcement learning
(2024-01-31)Le développement du domaine de l’apprentissage profond doit une grande part de son avancée aux idées inspirées par la neuroscience et aux études sur l’apprentissage humain. De la découverte de l’algorithme de rétropropagation à la conception ... -
On impact of mixing times in continual reinforcement learning
(2023-05-29)Le temps de mélange de la chaîne de Markov induite par une politique limite ses performances dans les scénarios réels d'apprentissage continu. Pourtant, l'effet des temps de mélange sur l'apprentissage dans l'apprentissage par renforcement (RL) continu ... -
(Out-of-distribution?) : generalization in deep learning
(2022-10-26)Le principe d’invariance par rapport à la causalité est au coeur d’approches notables telles que la minimisation du risque invariant (IRM) qui cherchent à résoudre les échecs de généralisation hors distribution (OOD). Malgré la théorie prometteuse, les ... -
Parametric Scattering Networks
(2022-10-26)La plupart des percées dans l'apprentissage profond et en particulier dans les réseaux de neurones convolutifs ont impliqué des efforts importants pour collecter et annoter des quantités massives de données. Alors que les mégadonnées deviennent de plus ... -
Predicting stock market trends using time-series classification with dynamic neural networks
(2023-12-20)L’objectif de cette recherche était d’évaluer l’efficacité du paramètre de classification pour prédire suivre les tendances boursières. Les méthodes traditionnelles basées sur la prévision, qui ciblent l’immédiat pas de temps suivant, rencontrent souvent ... -
Problem hierarchies in continual learning
(2023-06-19)La recherche en apprentissage automatique peut être vue comme une quête vers l’aboutissement d’algorithmes d’apprentissage de plus en plus généraux, applicable à des problèmes de plus en plus réalistes. Selon cette perspective, le progrès dans ce domaine ... -
Renormalization group theory, scaling laws and deep learning
(2023-02-22)The question of the possibility of intelligent machines is fundamentally intertwined with the machines’ ability to reason. Or not. The developments of the recent years point in a completely different direction : What we need is simple, generic but ... -
Rethinking continual learning approach and study out-of-distribution generalization algorithms
(2023-09-13)L'un des défis des systèmes d'apprentissage automatique actuels est que les paradigmes d'IA standard ne sont pas doués pour transférer (ou exploiter) les connaissances entre les tâches. Alors que de nombreux systèmes ont été formés et ont obtenu des ... -
The role of continual learning and adaptive computation in improving computational efficiency of deep learning
(2024-05-22)Au cours de la dernière décennie, des progrès significatifs ont été réalisés dans le domaine de l’IA, principalement grâce aux progrès de l’apprentissage automatique, de l’apprentissage profond et de l’utilisation de modèles à grande échelle. Cependant, ... -
Sur l’application de la structure de graphes pour le calcul automatique de nombres de reproduction dans les modèles à compartiments déterministes
(2023-11-01)En basant l'analyse des modèles épidémiologiques sur leur représentation graphique plutôt que sur leurs équations différentielles, il est possible de mettre en évidence plusieurs concepts importants à l'aide des composantes d'un hypergraphe. On décrit ... -
Toward causal representation and structure learning
(2023-11-28)Dans les annales de l'Intelligence Artificielle (IA), la quête incessante pour émuler la cognition humaine dans les machines a sous-tendu l'évolution technologique, repoussant les limites du potentiel humain et des capacités de résolution de problèmes. ... -
Toward trustworthy deep learning : out-of-distribution generalization and few-shot learning
(2023-11-01)L'intelligence artificielle est un domaine en pleine évolution. Au premier plan des percées récentes se retrouve des approches connues sous le nom d'apprentissage automatique. Cependant, bien que l'apprentissage automatique ait montré des performances ... -
Towards causal federated learning : a federated approach to learning representations using causal invariance
(2022-03-16)Federated Learning is an emerging privacy-preserving distributed machine learning approach to building a shared model by performing distributed training locally on participating devices (clients) and aggregating the local models into a global one. As ... -
Training large multimodal language models with ethical values
(2024-02-21)The rapid expansion of artificial intelligence (AI) in modern society, exemplified by systems like ChatGPT and Stable Diffusion, has given rise to significant ethical considerations. These systems, increasingly prevalent in diverse sectors such as ...