Aurélien Gauffre

Résumé :

Le succès de l’apprentissage profond repose en grande partie sur sa capacité à extraire des représentations riches et hiérarchisées des données, grâce à un entraînement intensif sur de vastes ensembles de données annotées. Toutefois, ces annotations sont souvent coûteuses ou rares, posant ainsi un défi pour de nombreuses applications pratiques. Pour répondre à cette problématique, les chercheurs ont développé des techniques d’apprentissage auto-supervisé et semi-supervisé, qui exploitent les données non annotées pour améliorer les performances des modèles.

Cette thèse explore les avancées et les applications de l’apprentissage contrastif, notamment dans les domaines de l’apprentissage semi-supervisé, auto-supervisé, la classification multi-étiquettes, ainsi que la réduction des biais. L’apprentissage contrastif, en opposant des paires de données similaires et dissemblables, permet au modèle un apprentissage efficace. Ce travail vise à relever les défis de l’apprentissage de représentations à travers un cadre et des méthodologies innovantes exploitant les avantages de l’apprentissage contrastif.