Le jury SSFAM, présidé par Francis Bach, a l’honneur d’annoncer les lauréats de la première édition du prix de thèse en Apprentissage Automatique de la Société Savante Francophone en Apprentissage Machine.
Lauréats
1er prix SSFAM
Thèse : Diverse and Efficient Ensembling of Deep Networks, Sorbonne Université
Alexandre Ramé a exploré en profondeur plusieurs méthodes d’agrégation de modèles d’apprentissage, correspondant à plusieurs objectifs, de l’efficacité à l’alignement, et des applications en vision par ordinateur et traitement automatique du langage.
Le travail se distingue par des contributions algorithmiques nouvelles ainsi que des vastes évaluations expérimentales. C’est une thèse exemplaire par son ampleur dans le domaine de l’apprentissage profond expérimental, dont les articles ont été présentés dans les meilleurs congrès internationaux.
Mentions honorables
Thèse : Towards Securing Machine Learning Algorithms through Misclassification Detection and Adversarial Attack Detection, Ecole Polytechnique, Paris & Sapienza University, Italy
Federica Granese a proposé des contributions originales visant à améliorer la sécurité des systèmes d’apprentissage. Le jury a apprécié dans ce travail la remarquable combinaison entre des formalismes théoriques et le développement pratique, accompagnés d’évaluations rigoureuses. La dimension internationale de cette thèse est également très significative.
Thèse : Combinaison de réseaux de régulation génique et d’apprentissage statistique séquentiel pour le repositionnement de médicaments, Université Paris Cité
Clémence Réda a développé des méthodes statistiques d’allocation séquentielle pour modéliser la réponse d’un organisme à des traitements ou à des pathologies. Le travail représente un effort majeur de modélisation mathématique et statistique utilisant les approches les plus récentes en allocation séquentielle. En particulier, les contributions théoriques et expérimentales ont été déclinées à la fois sous forme d’articles dans les meilleurs congrès internationaux, ainsi que sous forme de logiciels libres, et de bases de données libres, à destination de la communauté scientifique de la biologie des systèmes.