BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//wp-events-plugin.com//7.2.3.1//EN
TZID:Europe/Paris
X-WR-TIMEZONE:Europe/Paris
BEGIN:VEVENT
UID:494@cran.univ-lorraine.fr
DTSTART;TZID=Europe/Paris:20240710T140000
DTEND;TZID=Europe/Paris:20240710T160000
DTSTAMP:20240703T090750Z
URL:https://www.cran.univ-lorraine.fr/events/soutenance-de-these-alaaeddin
 e-chaoub/
SUMMARY:Soutenance de thèse Alaaeddine Chaoub
DESCRIPTION:Titre : Apprentissage profond des représentations pour le pron
 ostic et management de la santé\nDate : Mercredi  le 10 juillet 2024 à 
 14h00\nLieu : Amphi 7 - FST 2nd cycle\nRésumé :\nCette thèse contribue 
 à l’application de l’apprentissage Profond (Deep Learning) dans la pr
 édiction de la durée de vie résiduelle (Remaining Useful Life) des équ
 ipements industriels\, en traitant plusieurs défis importants. Notre rech
 erche est motivée par des questions clés visant à développer des archi
 tectures et méthodes d’apprentissage profond pour pronostique la RUL so
 us diverses conditions opérationnelles\, à améliorer l’interprétabil
 ité des modèles et à faire face au manque de données en exploitant des
  données externes (non) labellisées. Nous avons structuré notre travail
  en deux parties principales. Dans la première partie\, nous explorons de
 s architectures capables de gérer la variabilité des données résultant
  de différentes conditions opérationnelles\, sans sélection des donnée
 s d’entrée. Cela nous a mené à la proposition d’une architecture ML
 P-LSTM-MLP. En employant un MLP en entrée\, nous avons pu normaliser les 
 représentations\, améliorant ainsi les performances de prédiction malgr
 é plusieurs conditions opérationnelles. De plus\, pour améliorer l’in
 terprétabilité\, nous avons proposé de remplacer ce premier étage de M
 LP par un système de mélange d’experts (Gated mixture of experts (GMoE
 ))\, permettant une décomposition interprétable basée sur les condition
 s opérationnelles. La seconde partie de la thèse aborde le problème de 
 la rareté de données\, un défi largement reconnu dans le domaine du pro
 nostic et management de la santé (Prognostics and health management (PHM)
 ). En introduisant des adaptateurs\, c’est-à-dire des couches spécifiq
 ues aux différentes tâches qui permettent le traitement de différentes 
 structures d’entrée/sortie\, nous avons proposé une approche d'entraî
 nement auxiliaire qui exploite des données labellisées externes\, prése
 ntant une méthode qui surpasse les techniques traditionnelles trouvées d
 ans la littérature. De plus\, pour exploiter les données externes non é
 tiquetées pour l’apprentissage auxiliaire\, nous avons proposé une app
 roche de méta-apprentissage pour déterminer automatiquement les objectif
 s auxiliaires à partir de ces données en les pseudo-étiquetant d’une 
 manière qui prend en compte la tâche principale. L’objectif de cette p
 artie de la thèse était d’exploiter un spectre plus large de données 
 disponibles pour améliorer la performance de la prédiction de la durée 
 de vie résiduelle. \nMots-clés :\nPronostic et management de la santé\,
  prédiction de la durée de vie utile restante\, Apprentissage profond\, 
 Interprétabilité\, rareté des données\, Apprentissage auxiliaire\, Mé
 ta-apprentissage.\n\nComposition du jury :\n\n 	Rapporteurs :\n\n 	Emmanue
 l Ramasso\n 	Céline Hudelot\n\n\n 	Examinateurs :\n\n 	Bernardetta Addis\
 n 	Birgit Vogel-Heuser\n 	Raphaël Couturier\n\n\n 	Directeurs :\n\n 	Chri
 stophe Cerisara (LORIA)\n 	Alexandre Voisin (CRAN)\n\n\n
CATEGORIES:Département MPSI,Soutenances thèses et HDR
LOCATION:CRAN - FST - 2ème cycle\, Campus Sciences\, Boulevard des Aiguill
 ettes\, Vandoeuvre-lès-Nancy\, 54506\, France
X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=Campus Sciences\, Boulevard
  des Aiguillettes\, Vandoeuvre-lès-Nancy\, 54506\, France;X-APPLE-RADIUS=
 100;X-TITLE=CRAN - FST - 2ème cycle:geo:0,0
END:VEVENT
BEGIN:VTIMEZONE
TZID:Europe/Paris
X-LIC-LOCATION:Europe/Paris
BEGIN:DAYLIGHT
DTSTART:20240331T030000
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
END:DAYLIGHT
END:VTIMEZONE
END:VCALENDAR