Séminaire départemental – Vendredi 02 février 2018 – Apprentissage bayésien de graphe dirigé acyclique appliqué à l’identification du modèle en apprentissage machine (copy 1)

Résumé: Le graphe dirigé acyclique est une structure fréquemment utilisée en apprentissage automatique, plus particulièrement dans la modélisation de réseaux bayésiens et de réseaux de neurones. Comment apprendre une telle structure? Le point de vue bayésien suggère de pondérer tous les modèles en fonction de leur performance et de combiner l’ensemble de ces modèles en suivant cette pondération (Bayesian model Averaging). Une telle approche nécessite de formuler sous forme de distribution de probabilité nos a priori sur l’espace des modèles, ici les graphes dirigés acycliques. Lors de ce séminaire, il sera question du processus des chefs Indiens (PCI), un processus stochastique correspondant à une distribution de probabilité sur l’espace des graphes dirigés acycliques infinis. Nous verrons dans un premier temps une application du PCI à l’inférence bayésienne non paramétrique de réseaux bayésiens infinis avec variables cachées. Dans un second temps, nous couvrirons une application possible du PCI à l’apprentissage de réseaux de neurones infinis, un projet de recherche en cours visant à combiner l’apprentissage bayésien non paramétrique et les réseaux de neurones profonds.