Towards efficient learning of graphical models and neural networks with variational techniques - Archive ouverte HAL Access content directly
Theses Year : 2019

Towards efficient learning of graphical models and neural networks with variational techniques

Vers un apprentissage efficace des modèles graphiques et des réseaux de neurones avec des techniques variationnelles

(1)
1

Abstract

In this thesis, I will mainly focus on variational inference and probabilistic models. In particular, I will cover several projects I have been working on during my PhD about improving the efficiency of AI/ML systems with variational techniques. The thesis consists of two parts. In the first part, the computational efficiency of probabilistic graphical models is studied. In the second part, several problems of learning deep neural networks are investigated, which are related to either energy efficiency or sample efficiency
Dans cette thèse, je me concentrerai principalement sur l’inférence variationnelle et les modèles probabilistes. En particulier, je couvrirai plusieurs projets sur lesquels j'ai travaillé pendant ma thèse sur l'amélioration de l'efficacité des systèmes AI / ML avec des techniques variationnelles. La thèse comprend deux parties. Dans la première partie, l’efficacité des modèles probabilistes graphiques est étudiée. Dans la deuxième partie, plusieurs problèmes d’apprentissage des réseaux de neurones profonds sont examinés, qui sont liés à l’efficacité énergétique ou à l’efficacité des échantillons
Fichier principal
Vignette du fichier
TH2019PESC1037.pdf (4.34 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)
Loading...

Dates and versions

tel-02919022 , version 1 (21-08-2020)

Identifiers

  • HAL Id : tel-02919022 , version 1

Cite

Xu Hu. Towards efficient learning of graphical models and neural networks with variational techniques. Artificial Intelligence [cs.AI]. Université Paris-Est, 2019. English. ⟨NNT : 2019PESC1037⟩. ⟨tel-02919022⟩
185 View
202 Download

Share

Gmail Facebook Twitter LinkedIn More