Programme

Fabien Torre (Université de Lille)

Nistor Grozavu (Université Paris 13)

Pierre Gancarski (Icube-Université de Strasbourg)

Marc Sebban (Université Saint-Etienne) : Dès qu'il s'agit de traiter des tâches de classification, de régression ou encore de clustering, la notion de métrique se retrouve au cœur de nombreux algorithmes d'apprentissage automatique. Depuis un peu plus de 10 ans, l'optimisation de fonctions de distance, visant à améliorer les tâches traitées, a connu un développement considérable et est devenu un sujet de recherche à part entière, appelé Metric Learning. Les avancées récentes dans le domaine ont dépassé le seul cadre de l'apprentissage automatique, avec des domaines d'application extrêmement fructueux, notamment en computer vision, en bio-informatique ou encore en recherche d'information. L'objectif de cet exposé est de faire un état des lieux de ce domaine de recherche en plein essor. Après avoir introduit les principaux algorithmes de metric learning, nous aborderons la question des garanties théoriques des modèles proposés.