Séminaire Signal et Apprentissage
Nature
Séminaire transverse (inter-laboratoires)
Responsables
Sandrine ANTHOINE (I2M), Valentin EMIYA (LIS)
Laboratoires
I2M, équipe SI (Marseille) et LIS, équipe Qarma (Marseille)
Fréquence
Hebdomadaire
Jour-Horaires
Vendredi, 14h30-15h30
Lieu
Saint-Charles, salle de séminaire (accès)
Contacts
Pour s’inscrire : https://listes.mathrice.fr/math.cnrs.fr/info/sem-signal-apprentissage
Le séminaire est un séminaire dédié aux travaux de recherche en traitement du signal-image et apprentissage statistique.
Nous privilégions des exposés focalisés sur un thème donné, qui nous permettent de comprendre l’intérêt des méthodologies présentées, mais aussi leurs limites.
Les exposés doivent durer environ une heure, questions comprises.
Il y a une liste de diffusion (modérée) pour être tenu au courant des exposés de ce séminaire.
Les prochains séminaires
Pas d'évènements à afficher
Événements passés
Taking into account periodicity in deep denoisers
Jules RIO (Laboratoire Hubert Curien, Université Jean Monnet, Saint-Étienne)
In recent years, deep learning based methods have established a new state of the art in multiple tasks, including denoising. Additionally to their better performances [...]
Differentially-private sliced Wasserstein distance
Liva Ralaivola (Criteo AI Lab)
Developing machine learning methods that are privacy preserving is today a central topic of research, with huge practical impacts. Among the numerous ways to address [...]
Learning with low-rank approximations
Jérémy Cohen (IRISA, équipe PANAMA, CNRS, Rennes)
Matrix and tensor factorizations are widespread techniques to blindly extract structure out of data. Research on tensor methods is rapidly growing and encompases many aspect [...]
Majority vote learning in PAC-bayesian theory: state of the art and novelty
Paul Viallard (Laboratoire Hubert Curien, Data Intelligence Team, Saint-Étienne)
In machine learning, ensemble methods are ubiquitous: Boosting, Bagging, Support Vector Machine or Random Forest are famous examples. Here we focus on models expressed as [...]
