Soutenance de thèse :Marion MAINSANT

Le cerveau humain reçoit en continu des informations en provenance de stimuli externes. Il a alors la capacité de s’adapter à de nouvelles connaissances tout en conservant une mémoire précise des connaissances apprises par le passé. De plus en plus d’algorithmes d’intelligence artificielle visent à apprendre des connaissances à la manière d’un être humain. Ils doivent alors être mis à jour sur des données variées arrivant séquentiellement et disponibles pendant un laps de temps limité. Cependant, un des verrous majeurs de l’apprentissage profond réside dans le fait que lors de l’apprentissage de nouvelles connaissances, la plupart des anciennes connaissances sont perdues définitivement : c’est ce que l’on appelle « l’oubli catastrophique ». De nombreuses méthodes ont été proposées pour répondre à cette problématique, mais celles-ci ne sont pas toujours applicables à une mise en situation réelle car elles sont construites pour obtenir les meilleures performances possibles sur un seul scénario d’arrivée de données à la fois. Par ailleurs, les meilleures méthodes existantes dans l’état de l’art sont majoritairement des méthodes à « rejeu de données » qui vont conserver une petite mémoire du passé, posant ainsi un problème dans la gestion de la confidentialité des données et de la mémoire disponible. Dans cette thèse, nous proposons d’explorer divers scénarios d’arrivée de données existants dans la littérature avec, pour objectif final, l’application à la reconnaissance faciale d’émotion qui est essentielle pour les interactions homme-machine. Pour cela nous présenterons l’algorithme Dream Net – DataFree qui est capable de s’adapter à un grand nombre de scenarii d’arrivée des données sans stocker aucune donnée passée. Cela lui permet ainsi de préserver la confidentialité des données apprises. Après avoir montré la robustesse de cet algorithme comparé aux méthodes existantes de l’état de l’art sur des bases de données classiques de la vision par ordinateur (Mnist, Cifar-10, Cifar-100 et Imagenet-100), nous verrons qu’il fonctionne également sur des bases de données de reconnaissance faciale d’émotions. En s’appuyant sur ces résultats, nous proposons alors un démonstrateur embarquant l’algorithme sur une carte Nvidia Jetson nano. Enfin nous discuterons la pertinence de notre approche pour la réduction des biais en intelligence artificielle ouvrant ainsi des perspectives vers une IA plus robuste et plus éthique.

Sous la direction de Martial Mermillod

Mots clés : Apprentissage profond, Apprentissage continu / incrémental, Reconnaissance faciale d'émotions, Personnalisation, Réduction des biais, IA éthique, IA embarquée