Accueil > Manifestations > Thèses et HDR > Thèses > Pierrick Bruneau

Pierrick Bruneau

Directeur de thèse

Marc Gelgon
Fabien Picarougne

Résumé

Internet, ainsi que des architectures récentes telles que les réseaux de capteurs, sont le siège de masses de sources de données distribuées à large échelle, en perpétuelle croissance. Cette profusion, accompagnée du besoin d’outillage des utilisateurs, implique le développement de techniques d’analyse et d’indexation adaptées. Les techniques de classification automatique concernent la caractérisation de classes dans un ensemble d’éléments. Celles-ci sont très souvent employées pour la réalisation d’outils rendant l’information accessible aux utilisateurs. Dans le cadre de cette thèse, nous avons contribué à l’agrégation de modèles de mélange de distributions de probabilité. Cette classe de modèles est en effet souvent utilisée pour des tâches de catégorisation. Nos propositions, utilisant un formalisme bayésien variationnel, sont caractérisées par des coûts de calcul et de transmission réduits. Avec ces travaux, nous entendions fournir une solution partielle à l’estimation de modèles sur des données distribuées. Nous avons également contribué à la visualisation de collections de données en perpétuelle évolution. Pour ce faire, nous avons notamment employé des principes bio-mimétiques, ou encore des résultats de la théorie des graphes. Outre la proposition d’interfaces efficaces pour un utilisateur, nous avons également envisagé la manière dont celui-ci peut rétro-agir sur le processus d’apprentissage.

Dernière modification : jeudi 2 décembre 2010