[Lisa_teatalk] Fwd: Soutenance de thèse de Grégoire Mesnil, vendredi 10h00, salle 3195 pavillon André Aisenstadt

Pascal Vincent vincentp at iro.umontreal.ca
Tue Jun 16 16:42:47 EDT 2015


*[ Apologies for multiple sends. Re-sending, hopefully this time the
formatting and accents will be preserved properly ... ]*



*Vous êtes tous cordialement invités à assister à la soutenance de thèse de
doctorat de Grégoire Mesnil*
[ *Note:** To reach a wider audience, the presentation will be given in
English. An English abstract of the thesis is given further below *]

*Date:*  Vendredi 19 juin 2015
*Heure:*  10:00
*Endroit:*  salle 3195, pavillon André Aisenstadt
              2920 Chemin de la Tour


* Titre:* Apprentissage d’Espaces Sémantiques


*Résumé:*Dans cette dissertation, nous présentons plusieurs techniques
d’apprentissage d’espaces sémantiques pour plusieurs domaines, par exemple
des mots et des images, mais aussi à l’intersection de différents domaines.
Un espace de représentation est appelé sémantique si des entités jugées
similaires par un être humain, ont leur similarité préservée dans cet
espace.
La première publication présente un enchaînement de méthodes
d’apprentissage incluant plusieurs techniques d’apprentissage non supervisé
qui nous a permis de remporter la compétition “Unsupervised and Transfer
Learning Challenge” en 2011.
Le deuxième article présente une manière d’extraire de l’information à
partir d’un contexte structuré (177 détecteurs d’objets à différentes
positions et échelles). On montrera que l’utilisation de la structure des
données combinée à un apprentissage non supervisé permet de réduire la
dimensionnalité de 97% tout en améliorant les performances de
reconnaissance de scènes de +5% à +11% selon l’ensemble de données.
Dans le troisième travail, on s’intéresse à la structure apprise par les
réseaux de neurones profonds utilisés dans les deux précédentes
publications. Plusieurs hypothèses sont présentées et testées
expérimentalement montrant que l’espace appris a de meilleures propriétés
de mixage (facilitant l’exploration de différentes classes durant le
processus d’échantillonnage).
Pour la quatrième publication, on s’intéresse à résoudre un problème
d’analyse syntaxique et sémantique avec des réseaux de neurones récurrents
appris sur des fenêtres de contexte de mots.
Dans notre cinquième travail, nous proposons une façon d’effectuer de la
recherche d’image ”augmentée” en apprenant un espace sémantique joint où
une recherche d’image contenant un objet retournerait aussi des images des
parties de l’objet, par exemple une recherche retournant des images de
”voiture” retournerait aussi des images de ”pare-brises”, ”coffres”,
”roues” en plus des images initiales.

*Jury:*
Président-rapporteur:   Jian-Yun Nie
Directeur de recherche: Pascal Vincent
Codirecteur: Yoshua Bengio
Membre du jury: Aaron Courville
Examinateur externe: Prof. Nicolas Usunier; Chaire d’excellence CNRS;
Université de Technologie de Compiègne, France; et Facebook AI Research
Paris.
Représentant du Doyen de la Faculté:  Simona Maria Brambati, prof. Adj.
Départ. de psychologie – FAS - UdeM


*[ English ]*

*Title:* Learning Semantic Spaces

*Abstract:*
In this work, we focus on learning semantic spaces for multiple domains,
but also at the intersection of different domains. The semantic space is
where the learned representation lives. This space is called semantic if
similar entities from a human perspective have their similarity preserved
in this space. We use different machine learning algorithms to learn
representations with interesting intrinsic properties.
The first article presents a pipeline including many different unsupervised
learning techniques used to win the Unsupervised and Transfer Learning
Challenge in 2011.
In the second article, we present a pipeline taking advantage of the
structure of the data for a scene classification problem. This approach
allows us to drastically reduce the dimensionality while improving
significantly on the scene recognition accuracy.
The third article focuses on the space structure learned by deep
representations. We show that performing the sampling procedure from deeper
levels of representation space explores more of the different classes.
In the fourth article, we tackle a semantic parsing problem with several
Recurrent Neural Network architectures taking as input context windows of
word embeddings.
In the fifth article, an investigation on learning a single semantic space
at the intersection of words and images is presented. We propose a way to
perform ”augmented search” where a search on an image containing an object
would also return images of the object’s parts.
-------------- next part --------------
An HTML attachment was scrubbed...
URL: http://webmail.iro.umontreal.ca/pipermail/lisa_teatalk/attachments/20150616/e723ed6c/attachment.html 


More information about the Lisa_teatalk mailing list