Vous êtes ici : GIPSA-lab > Formation > Thèses soutenues
Chargement
COHEN Jrmy

Environmental multiway data mining.

 

Directeur de thèse :     Pierre COMON

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

Spécialité : Signal, image, parole, télécoms

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 à 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 données, peu sont celles capables de tirer avantage de la complémentarité des dimensions pour des données sous forme de tableaux à plusieurs dimensions. A l'inverse, les techniques de décomposition tensorielle recherchent spécifiquement les processus sous-jacents aux données, qui permettent d'expliquer les données dans toutes les dimensions. Les travaux menés durant cette thèse traitent de l'amélioration de l'interprétation des résultats de la décomposition tensorielle canonique polyadique par l'ajout de connaissances externes au modèle de décomposition, qui est par définition un modèle aveugle n'utilisant pas la connaissance du problème physique sous-jacent aux données. La présentation commencera par une introduction légère sur des exemples d'application des décompositions tensorielles. Dans un second temps, des contributions en réduction de dimensions pour des tenseurs contraints seront exposées. Enfin, le problème de fusion de données tensorielles sera abordé par une approche bayésienne très générale développée durant la thèse. Résumé 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