• HDR soutenu le :
  • 17 nov. 2022 • salle des thèses, Faculté des sciences Jean Perrin

Résumé

Cette thèse fournit un aperçu de mes contributions sur l’induction de connaissances de sens commun à l’aide de représentations vectorielles.

En premier lieu, elle étudie l’apprentissage d’espaces conceptuels à partir de donnés à savoir l’apprentissage des plongements d’entités, de concepts et dimensions interprétables.

En second lieu, elle concerne la modélisation des connaissances relationnelles. Elle présente plusieurs méthodes d’induction de connaissances relationnelles à partir de plongements lexicaux ainsi que les modèles de langage pré-entraînés.

Une troisième partie propose plusieurs méthodes de distillation de vecteurs de haute qualité à partir de modèles de langage contextualisés et d’applications pour les problèmes d’apprentissage où peu d’exemples sont disponibles, par exemple la classification d’images.

Enfin, elle propose plusieurs méthodes de raisonnement plausible sur les ontologies incluant la complétion automatique de bases de règles et gestion des incohérences et fusion des croyances.

Jury

  • Isabelle Bloch (Sorbonne Université)
  • Jesse Davis (KU Leuven)
  • Philippe Langlais (Université de Montréal)
  • Daniel Le Berre (Université d’Artois)
  • Henri Prade (IRIT Toulouse)
  • Marie-Christine Rousset (Université Grenoble Alpes)
  • Steven Schockaert (Cardiff University)