Institut multidisciplinaire d'intelligence artificielle

chaire des méthodes d'optimisation novatrices pour l'apprentissage automatique, permettant d'exploiter certaines structures présentes dans le processus d'apprentissage. En particulier, l'omniprésence d'aspects discrets – tant au niveau des objets de sortie, appris par les modèles, que des objets d'entrée, à partir desquels nous effectuons nos prédictions – est apparue comme une propriété clé que les méthodes doivent saisir. L'intégration de structures discrètes lors de la construction et de l'entraînement des modèles soulève un large éventail de défis en raison de problèmes d'optimisation plus complexes. Parmi nos objectifs finaux, nous souhaitons intégrer une robustesse face à diverses formes de perturbations dans ces modèles d'apprentissage en tirant parti de cette structure supplémentaire.