BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Etis - ECPv6.15.20//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Etis
X-ORIGINAL-URL:https://www.etis-lab.fr
X-WR-CALDESC:Events for Etis
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20260329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20261025T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20270328T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20271031T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260129T133000
DTEND;TZID=Europe/Paris:20260129T150000
DTSTAMP:20260421T112216
CREATED:20260123T075216Z
LAST-MODIFIED:20260123T075216Z
UID:9749-1769693400-1769698800@www.etis-lab.fr
SUMMARY:Séminaire DATA&AI : Issam Falih
DESCRIPTION:Apprentissage multimodal frugale : alignement par transport optimal\, explicabilité par concepts et déploiement Edge\nRésumé :\nLes architectures d’apprentissage profond constituent aujourd’hui l’état de l’art pour l’analyse et la fusion de données multimodales. Leur déploiement effectif dans des environnements ouverts soulève encore de nombreuses questions quant à leur fiabilité et leur transparence. En particulier\, si ces modèles excellent en conditions contrôlées\, plusieurs travaux ont mis en évidence leur sensibilité aux dérives distributionnelles (concept drift) et leur opacité décisionnelle\, limitant leur usage dans des contextes critiques. \nDans cette présentation\, je traite dans un premier temps\, des problématiques d’alignement et de fusion multimodale ou je présente le Transport Optimal Hiérarchique comme un levier géométrique pour l’alignement de structures dans un cadre non supervisé. Dans un deuxième temps\, j’aborde l’explicabilité des réseaux de neurones à travers les modèles à goulot de concepts (CBM). Je présente une architecture hybride (KL-CBM) où un classifieur dense est aligné sur un module probabiliste. Enfin\, je conclue avec des applications réelles notamment de l’inférence distribuée sur systèmes embarqués (Edge AI). \nLien de connexion :\nSeminaire Issam Falih | Meeting-Join | Microsoft Teams \n 
URL:https://www.etis-lab.fr/event/seminaire-dataai-issam-falih/
LOCATION:Online
CATEGORIES:Seminar
ORGANIZER;CN="Vassiis Christophides":MAILTO:vassilis.christophides@ensea.fr
END:VEVENT
END:VCALENDAR