Mots clés

Capteurs électromagnétiques et capacitifs ; Instrumentation intelligente ; Adéquation algorithmes - architectures matérielles.

Extraction et sélection de caractéristiques ; Approches par théorie de l'information ; Topologie algébrique appliquée ; Débruitage, séparation de sources et problèmes inverses ; Représentations ad-hoc ; Détection ; Segmentation. ;

Classification non-supervisée ou dynamique de données non-stationnaires ; Fusion de données et d’informations ; Classification supervisée, approches variationnelles, approches hiérarchiques et apprentissage continu ; Analyse des données multimodales, multidimensionnelles et multiéchelles.

Axes de recherche

Axe1. Capteurs et systèmes embarqués

Le développement des capteurs capables de traduire en les signaux physiques d’intérêt en information utile et éventuellement leur association dans des réseaux de capteurs afin d’améliorer la décision dans des environnements complexes, engendre de nombreux défis en termes de conception et implémentation : technologies, transducteurs et électronique associée, techniques de débruitage, calibration et fiabilisation, etc. Les défis sont aussi liés à la conception et l’implémentation des méthodes d’IA souples et adaptées à des systèmes embarqués (donc à faible empreinte) lorsque les données sont importantes, par exemple des images multi- ou hyper-spectrales, sans avoir à recourir à des techniques habituelles de traitement de données massives.

Axe2. Traitement de données et data mining

Cet axe porte sur des questions théoriques, méthodologiques et applicatives en traitement du signal au sens large. Les principaux défis sont liés à la conception et au développement des méthodes intelligentes de bon sens où les étapes de calculs sont physiquement interprétables pour réduire la taille des données et les temps de calcul. La prise en compte de la structure du problème, la gestion des jeux de données incomplets, distribués, ou variables dans le temps sont des facteurs qui ne font qu’amplifier ces défis. La conception et la mise en œuvre des représentations adaptées et des algorithmes efficaces pour la résolution et l’optimisation de divers critères et fonctions de coût, surtout en prenant en compte le caractère mal-posé de certaines applications, posent aussi des défis qui méritent d’être traités. Les décompositions adaptatives, notamment pour des signaux non stationnaires, ou les factorisations des données hétérogènes ou intégrant une composante temporelle sont des exemples dans ce sens.

Axe3. Machine learning pour l’aide à la décision

Cet axe porte sur des questions théoriques, méthodologiques et applicatives en Machine Learning orientées vers la prise de décisions pertinentes. Plusieurs défis gravitent autour du développement, l’adaptation et l’application des méthodes de classification robustes non supervisées, faiblement supervisées ou par apprentissage, dont profond, permettant de prendre en compte la dérive des classes au cours du temps ou selon d'autres facteurs, l’apparition de nouvelles classes, l’absence ou la difficulté de labelliser des données. Un problème ouvert concerne aussi la formulation de critères d’optimisation clairs pour l’apprentissage, particulièrement semi-supervisé ou faiblement supervisé, notamment de façon à pouvoir prendre en compte des nouvelles données souvent non labellisées, tout comme l’apprentissage avec des étiquettes bruitées.