Abstract FR:

Cette thèse est consacrée à l'étude des techniques de régularisation appliquées au connexionnisme pour le traitement de données assimilables à des images. Pour ce type de traitement, on désire des systèmes adaptatifs aptes à tolérer certains changements de caractéritiques dans les données (taille, positionnement, rotation). Les réseaux connexionnistes sont d'excellents candidats du fait de leur capacité d'adaptation (mécanisme d'apprentissage). Ceci leur permet parmi l'ensemble des solutions à un problème donné d'en choisir une convenant aux données utilisées. Malheureusement cette solution n'est pas toujours celle que l'on aurait souhaitée, il devient donc nécessaire d'orienter cette adaptation. On cherche alors à inclure explicitement une information permettant par exemple la prise en compte des tolérances précitées. Si la régularisation représente une méthode possible d'inclusion explicite, la spécification d'une caractéristique et son exploitation sous forme de terme régularisant reste difficile. C'est sur ces deux derniers points que porte notre travail. La première partie de la thèse décrit les modèles connexionnistes sur lesquels nous nous proposons de travailler. Nous rappelons ensuite les outils de base permettant l'optimisation des poids d'un réseau. Le problème de la généralisation d'un réseau (aptitude à répondre correctement à des données non apprises) appelle plusieurs remarques sur sa quantification. Nous présentons quelques méthodes pour mesurer la performance d'un modèle. Nous rappelons pourquoi et comment mesurer la capacité en généralisation. Ceci nous amène à introduire des outils basés sur la définition de distributions que l'on trouve présentes naturellement dans l'apprentissage Bayésien. L'introduction d'une connaissance à priori sur les paramètres d'un réseau introduite par l'apprentissage Bayésien peut être vue comme une méthode de régularisation. Nous rappelons ce qu'est régulariser, pourquoi des résultats montrant l'équivalence de cette méthode à d'autres bien connues, la rend intéressante. Nous rappelons aussi que les techniques de régularisation posent un problème évident d'estimation des paramètres qu'elles introduisent. Ce problème induit des calculs lourds.