Simon Fraser University

Objet publié

Même à l’heure des mégadonnées, l’apprentissage automatique dans de nombreux domaines peut être gêné par le manque de données annotées de bonne qualité. L’apprentissage par transfert sans données annotées (« zero-shot » en anglais) est donc particulièrement important. Il consiste à explorer des méthodologies pour transférer les modèles appris dans le cadre d’un domaine supervisé riche en données à un domaine pour lequel on ne dispose pas de données correctement annotées. Dans le cadre de ce projet, nous nous concentrerons sur l’apprentissage par transfert sans données annotées d’une part pour des modèles sophistiqués et d’autre part pour le transfert d’un domaine supervisé riche à un domaine dont on ne connaît même pas la relation entre les éléments. Nous nous attaquerons à plusieurs défis qui relèvent de la science des données et nous mettrons au point des méthodes raisonnées. Nous étudierons en particulier les méthodes d’augmentation entre les domaines des données qui permettent de générer des données d’entraînement ou de test pour un domaine inconnu, ou de transférer des données d’un domaine supervisé riche en données à un domaine inconnu. Les techniques mises au point dans le cadre de ce projet pourraient être utilisées pour la résolution de nombreux problèmes importants liés notamment au traitement automatique du langage naturel (TALN) et à l’apprentissage multimodal.