Par directeur
Vous êtes ici :
Accueil
»
Thèses
»
Par directeur
»
C
»
Cabessa Jérémie
Recherche par directeur de thèse
Recherche en cours
Par directeur
=
Cabessa Jérémie
1
ressource a été trouvée.
Trier par :
Titre
Année de soutenance
Auteur
Affichage de
5
10
15
20
25
30
35
40
résultats par page
|<
<<
1
>>
>|
|<
<<
1
>>
>|
Attention : l'accès aux ressources peut être restreint, soit pour des raisons juridiques, soit par la volonté de l'auteur.
Extraction automatique d'arguments par le biais de grands modèles de langage adaptés
Description
:
Le traitement automatique du langage naturel (NLP) est un champ de l'intelligence artificielle d'une importance majeure. Dans ce domaine les transformeurs et les modèles de langage de grandes tailles (LLMs) subséquents ont représenté un changement de paradigme significatif. Dans le cadre du NLP, l'e ...
Le traitement automatique du langage naturel (NLP) est un champ de l'intelligence artificielle d'une importance majeure. Dans ce domaine les transformeurs et les modèles de langage de grandes tailles (LLMs) subséquents ont représenté un changement de paradigme significatif. Dans le cadre du NLP, l'extraction d'arguments (AM) se concentre sur la détection automatique d'arguments structurés et de leurs relations au sein d'un corpus textuel. L'extraction d'arguments possède de multiples applications, telles que l'analyse de texte juridiques ou d'articles scientifiques. Ce travail de thèse concerne l'extraction d'arguments (AM) et les modèles de langage de grande taille (LLMs). Notre première contribution concerne la classification d'arguments. Nous proposons un modèle unifié de type BERT enrichi de caractéristiques contextuelle structurelles et syntaxiques additionnelles, données sous forme de texte. Notre deuxième contribution concerne également la classification d'arguments ainsi que l'identification des liens entre ces derniers. Cette fois, nous proposons BERT--MINUS, un modèle composé d plusieurs sous-modules de type BERT, capable d'intégrer des caractéristiques additionnelles sous forme de texte ainsi que d'accomplir du transfert d'apprentissage. Notre troisième contribution se situe à la jonction des systèmes argumentatifs et de la théorie de la décision. Dans ce contexte, nous définissons un formalisme appelé "Bipolar Layered Framework with Support and Weights" (BLFSW), qui offre un modélisation des structures argumentatives sous forme de graphes. L'expressivité étendue de ce formalisme permet à la fois d'affiner l'évaluation des processus décisionnelles.
Mots clés
:
Apprentissage automatique, Traitement automatique du langage naturel, Transfert d'apprentissage (enseignement des langues)
Auteur
:
Mushtaq Umer
Année de soutenance
:
2023
Directeur
:
Cabessa Jérémie
Établissement de soutenance
:
Université Paris-Panthéon-Assas
Discipline
:
Informatique
Thème
:
Informatique
École doctorale
:
École doctorale des sciences économiques et gestion, sciences de l'information et de la communication (Paris)
https://docassas.u-paris2.fr/nuxeo/site/esupversions/ce238f6c-9b75-44ee-b843-4e7fb4c25961
|<
<<
1
>>
>|