Machine learning for structured data
Apprentissage machine pour données structurées
Résumé
With the aim of understanding environmental systems from Earth observation, it is essential to analyze complex remote sensing data by designing and leveraging on new machine learning techniques. These data are often structured in the sense that we face time series of remote sensing images that can be represented as graphs or hierarchical representations. This HDR manuscript presents some of my research works since I join Obelix team at IRISA at the end of 2012. Three axes are developed here. The first one deals with learning on high-resolution images for which dedicated tools are proposed to tackle the correlation between pixels but also the attributes of the pixels. The second part is about time series for which effective learning algorithms are proposed. Finally, leveraging on optimal transport, a new metric for comparing graphs is described. The specific case of outliers is also treated with the definition of dedicated algorithmic tools. For each of the research axes, perspectives are given, from the definition of learning algorithms in non-Euclidean spaces for hierarchical data, from learning from time series from different domains or from integrating the implicit structure present into the data within the learning algorithms.
Dans un contexte de compréhension des systèmes environnementaux à partir d’observation de la Terre, il est indispensable d’analyser les données de télédétection complexes en définissant et en s’appuyant sur de nouvelles méthodes d’apprentissage machine. Ces données sont souvent structurées dans le sens où l’on dispose de séries temporelles d’images satellites qui peuvent être représentées sous forme de graphes ou de représentations hiérarchiques. Ce mémoire d’habilitation à diriger des recherches présente une synthèse de mes activités de recherche depuis mon intégration dans l’équipe Obelix de l’IRISA fin 2012. Trois axes y sont développés. Le premier traite de l’apprentissage sur les images à haute résolution pour lesquelles des outils d’apprentissage spécifique sont proposés pour prendre en compte la corrélation entre les pixels mais également entre les descripteurs des pixels. La seconde partie traite spécifiquement du cas des séries temporelles, pour lesquelles des solutions d’apprentissages efficaces sont proposées. En dernier lieu, et en s’appuyant sur des outils issus du transport optimal, une nouvelle métrique pour comparer des graphes est proposée. Le cas spécifique des données aberrantes est également traité avec la définition d’algorithmes de résolution dédiés. Pour chacun des axes de recherche, des perspectives sont présentées, de la définition d’algorithmes dans des espaces non Euclidiens pour les données hiérarchiques, de l’apprentissage à partir de séries temporelles issues de domaines différents ou de l’intégration de la structure implicite présente dans les données.
Origine : Fichiers produits par l'(les) auteur(s)
