Convex Optimization for Discrete Graphical Models
Optimisation convexe pour les modèles graphiques discrets
Résumé
Graphical models define a family of formalisms and algorithms used for logical and probabilistic reasoning, in fields as varied as image analysis or natural language processing. They can be learned from data, giving probabilistic information which can later be combined with logical information. The objective of the thesis is to improve the efficiency of the reasoning algorithms on these models in order to increase the power of the fundamental reasoning mechanism used in these tools (minorant computation) by exploiting the progress made in the field of convex optimisation. We should be able to solve problems that are currently beyond the reach of our most efficient tools.
Les modèles graphiques définissent une famille de formalismes et d'algorithmes utilisés en particulier pour le raisonnement logique et probabiliste, dans des domaines aussi variés que l'analyse d'image ou le traitement du langage naturel. Ils sont capables d'être appris à partir de données, donnant une information probabiliste qui peut ensuite être combinée avec des informations logiques. L'objectif de la thèse est d'améliorer l'efficacité des algorithmes de raisonnement sur ces modèles afin d'augmenter la puissance du mécanisme de raisonnement fondamental utilisé dans ces outils (le calcul de minorant) en exploitant les progrès réalisés ces dernières années dans le domaine de l'optimisation convexe. Ceci devrait permettre de résoudre des problèmes jusqu'ici hors de portée de nos outils les plus efficaces.
| Origine | Version validée par le jury (STAR) |
|---|