[Siyi Shen]

Taux d'encadrement : 50% (Co-direction avec Benjamin Quost et co-encadrement avec Sébastien Destercke)

Thèse : 50% MESR + 50%CAP 'IA pour l'industrie' (Sorbonne université -- SCAI)

Dates : 2026-

[Sujet]

Apprentissage par tranfert et classification imprécise

Notre travail vise à explorer des méthodes d’apprentissage par transfert [WKW16, KL19] plus robustes, en mettant particulièrement l’accent sur le cadre de l’adaptation de domaine graduelle (*Gradual Domain Adaptation*, GDA) [KML20, WLZ22, HWLZ24]. Dans ce cadre, un modèle s’adapte progressivement d’un domaine source à un domaine cible en passant par une succession de domaines intermédiaires non annotés. Cette adaptation repose généralement sur une méthode d’auto-apprentissage utilisant des pseudo-étiquettes à haute confiance.

Nous souhaitons mobiliser la théorie des possibilités [ACDCT14] ainsi que les approches fondées sur les probabilités imprécises [ACDCT14] afin de mieux représenter et caractériser les incertitudes engendrées par les décalages entre domaines. L’objectif est ainsi d’améliorer la stabilité et la robustesse de l’ensemble du processus de GDA. Plus précisément, nous étudions l’utilisation de représentations imprécises, notamment des étiquettes floues (*fuzzy labels*), des étiquettes crédales (*credal labels*), ainsi que des espaces de caractéristiques imprécis.

Au-delà du traitement robuste des données d’apprentissage et de leurs représentations, nous envisageons également d’utiliser des mod`eles plus expressifs afin de décrire l’évolution dynamique des décalages entre domaines. Des mod`eles tels que les réseaux bayésiens ou les circuits probabilistes [GP13] pourraient permettre de représenter plus finement les variations des distributions de probabilité, voire de modéliser explicitement les mécanismes probabilistes sous-jacents `a ces changements.

References

[ACDCT14]	Thomas Augustin, Frank PA Coolen, Gert De Cooman, and Matthias CM Troffaes. Introduction to imprecise probabilities. John Wiley & Sons, 2014.
[GP13]	Robert Gens and Domingos Pedro. Learning the structure of sum-product networks. In International conference on machine learning, pages 873–880. PMLR, 2013.
[HWLZ24]	Yifei He, Haoxiang Wang, Bo Li, and Han Zhao. Gradual domain adaptation: Theory and algorithms. Journal of Machine Learning Research, 25(361):1–40, 2024.
[KL19]	Wouter M Kouw and Marco Loog. A review of domain adaptation without target labels. IEEE transactions on pattern analysis and machine intelligence, 43(3):766–785, 2019.
[KML20]	Ananya Kumar, Tengyu Ma, and Percy Liang. Understanding self-training for gradual domain adaptation. In ICML, pages 5468–5479. PMLR, 2020.
[WKW16]	Karl Weiss, Taghi M Khoshgoftaar, and DingDing Wang. A survey of transfer learning. Journal of Big data, 3(1):9, 2016.
[WLZ22]	Haoxiang Wang, Bo Li, and Han Zhao. Understanding gradual domain adaptation: Improved analysis, optimal path and beyond. In International Conference on Machine Learning, pages 22784–22801. PMLR, 2022.

[Productions]

Ces informations sont issues du site HAL.

[cache age: 8:51]