Directory Intranet
Chargement
COHEN Jérémy

Environmental multiway data mining.

 

Directeur de thèse :     Pierre COMON

École doctorale : Electronique, electrotechnique, automatique, traitement du signal (EEATS)

Spécialité : Signal, image, parole, tĂ©lĂ©coms

Structure de rattachement : CNRS

Établissement d'origine : Ecole Centrale de Lyon

Financement(s) : Erc

 

Date d'entrée en thèse : 01/10/2013

Date de soutenance : 05/09/2016

 

Composition du jury :
Mr David BRIE Professeur au CRAN, Nancy, Président du jury
Mr Laurent ALBERA Maître de conférences à l''Université de Rennes, Rennes, Rapporteur
Mr Lieven DE LATHAUWER Professeur Ă  KU LEUVEN, Leuven, Rapporteur
Mr Nikolaos D.SIDIROPOULOS Professeur à l''Université du Minnesota, Minneapolis, Rapporteur
Mr Pierre COMON Directeur de recherche CNRS au GIPSA-lab, Grenoble, Directeur de thèse

 

Résumé : Parmi les techniques usuelles de fouille de donnĂ©es, peu sont celles capables de tirer avantage de la complĂ©mentaritĂ© des dimensions pour des donnĂ©es sous forme de tableaux Ă  plusieurs dimensions. A l'inverse, les techniques de dĂ©composition tensorielle recherchent spĂ©cifiquement les processus sous-jacents aux donnĂ©es, qui permettent d'expliquer les donnĂ©es dans toutes les dimensions. Les travaux menĂ©s durant cette thèse traitent de l'amĂ©lioration de l'interprĂ©tation des rĂ©sultats de la dĂ©composition tensorielle canonique polyadique par l'ajout de connaissances externes au modèle de dĂ©composition, qui est par dĂ©finition un modèle aveugle n'utilisant pas la connaissance du problème physique sous-jacent aux donnĂ©es. La prĂ©sentation commencera par une introduction lĂ©gère sur des exemples d'application des dĂ©compositions tensorielles. Dans un second temps, des contributions en rĂ©duction de dimensions pour des tenseurs contraints seront exposĂ©es. Enfin, le problème de fusion de donnĂ©es tensorielles sera abordĂ© par une approche bayĂ©sienne très gĂ©nĂ©rale dĂ©veloppĂ©e durant la thèse. RĂ©sumĂ© en anglais: Among commonly used data mining techniques, few are those which are able to take advantage of the multiway structure of data in the form of a multiway array. In contrast, tensor decomposition techniques specifically look for intricate processes underlying the data, where each of these processes can be used to describe the multilinear structure of the data array. The work conducted during the PhD aims at incorporating various external knowledge into the tensor canonical polyadic decomposition, which is usually understood as a blind model. The presentation will feature a non-technical introduction to application of tensors in Hyperspectral Imaging and Fluorescence Spectroscopy, compression of non-negative tensors and a general framework for data fusion.


GIPSA-lab, 11 rue des Mathématiques, Grenoble Campus BP46, F-38402 SAINT MARTIN D'HERES CEDEX - 33 (0)4 76 82 71 31