Assas Recherche | Réconcilier l'apprentissage profond avec les données tabulaires

Réconcilier l'apprentissage profond avec les données tabulaires (Document en Anglais)

Accès au(x) document(s)

Accéder au(x) document(s) :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :

Thèse consultable sur internet, en texte intégral.

Informations sur les contributeurs

Auteur : Grinsztajn Léo

Grinsztajn, Léo

Nom

Grinsztajn

Prénom

Léo

Nationalité

Français

Date de soutenance : 25-11-2024

Directeur(s) de thèse : Varoquaux Gaël

Varoquaux, Gaël

Nom

Varoquaux

Prénom

Gaël

- Oyallon Edouard

Oyallon, Edouard

Nom

Oyallon

Prénom

Edouard

Etablissement de soutenance : université Paris-Saclay

université Paris-Saclay

Nom

université Paris-Saclay

Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Saclay, Ile-de-France)

Institut national de recherche en informatique et en automatique (France). Unité de recherche (Saclay, Ile-de-France)

Nom

Institut national de recherche en informatique et en automatique (France). Unité de recherche (Saclay, Ile-de-France)

Ecole doctorale : École doctorale Sciences et technologies de l'information et de la communication

École doctorale Sciences et technologies de l'information et de la communication

Nom

École doctorale Sciences et technologies de l'information et de la communication

Informations générales

Discipline : Sciences du traitement du signal et des images
Classification : Informatique

Mots-clés libres : Réseau de neuronnes, Apprentissage statistique, Donnees tabulaires, Bases de données
Mots-clés :

Analyse des données
Apprentissage automatique
Réseaux neuronaux (informatique)
Apprentissage profond

Résumé : L'apprentissage profond a connu un succès remarquable en vision par ordinateur et traitement du langage, mais ses performances restent encore décevantes sur les données tabulaires, pourtant omniprésentes. Dans cette thèse, nous analysons d'abord les difficultés que posent ces données aux réseaux de neurones. Pour étayer cette analyse, nous développons de nouveaux standards d'évaluation, contribuant à la fiabilité du domaine. Nous proposons ensuite diverses améliorations, menant à de puissants modèles par défaut. Nous étudions également la représentation des attributs textuels et numériques: les modèles de langage peuvent être utiles pour représenter le texte, mais seulement dans certains régimes, et nous proposons un nouveau modèle exploitant à la fois le texte et les nombres. Enfin, nous montrons que de bonnes représentations des nombres améliorent les performances sur diverses tâches, au-delà même des données tabulaires.

Informations techniques

Type de contenu : Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2024UPASG065
Type de ressource : Thèse