Arthur Ledaguenel soutiendra sa thèse le 26 mai 2025
Doctorants
Publié le 19/05/2025
Partager
Partager
Arthur Ledaguenel, doctorant au sein du programme IA2 (projet SMD) de l’IRT SystemX, soutiendra sa thèse de l’Université Paris-Saclay le 26 mai 2025, à 14h30, sur le thème : « Techniques neurosymboliques probabilistes pour la classification informée : une vue unifiée, évaluation experimentale et analyse de complexité ».
Résumé de la thèse :
Dans cette thèse, nous étudions les tâches de classification multi-label informée par de la connaissance a priori. Cette étude se déploie selon trois axes principaux. Premièrement, développer un formalisme unifié pour décrire les techniques neurosymboliques d’intégration de la connaissance, avec une focalisation sur les techniques qui reposent sur le raisonnement probabiliste, puis étendre ce formalisme à différents régimes de supervision et au cas particulier de la classification conforme. Deuxièmement, effectuer une évaluation expérimentale de trois techniques neurosymboliques probabilistes sur quatre jeux de données, en analysant en particulier l’évolution de la performance avec la taille du réseau de neurones. Troisièmement, étudier la complexité de calcul des techniques neurosymboliques probabilistes et dessiner une carte de la complexité du raisonnement probabiliste.
Composition du jury :
Céline HUDELOT, Professeure des universités, CentraleSupélec, directrice de thèse
Jiahao Zhang, doctorant au sein du projet TAM (Trusted Autonomous Mobility), mené par l’IRT SystemX, soutiendra sa thèse le 13 décembre 2024, à 10h, sur le thème : Misbehavior Detection for Collective Perception in Cooperative Intelligent Transport Systems (C-ITS). Résumé de la thèse : In this thesis, we focus on misbehavior detection in cooperative intelligent…
Vincent Guigne (Professeur, AgroParisTech) a animé un Seminar@SystemX sur le thème "SCOPE: A Self-supervised Framework for Improving Faithfulness in Conditional Text Generation", le 23 mai 2025. Résumé Large Language Models (LLMs), when used for conditional text generation, often produce hallucinations, i.e., information that is unfaithful or not grounded in the input context. This issue arises…
Pietro Gori (Professeur, Télécom Paris) a animé un Seminar@SystemX sur le thème "Contrastive Learning in Computer Vision and Medical Imaging - A metric learning approach", le 1er juillet 2025. Résumé Contrastive Learning (CL) is a paradigm designed for self-supervised representation learning which has been applied to unsupervised, weakly supervised and supervised problems. The objective in…