14 septembre 2026 à 15h10
Les humains sont capables d’acquérir des concepts abstraits et réutilisables à partir d’expériences limitées et de les étendre à des situations inédites. À l’inverse, les systèmes modernes d’apprentissage profond apprennent souvent des abstractions comparables à partir de vastes jeux de données annotés ou de corpus textuels, où les concepts pertinents ont déjà été nommés et sélectionnés par des humains. Cette thèse examine si les machines peuvent apprendre de tels concepts sans supervision explicite, un problème que nous désignons sous le terme d’apprentissage de concepts par autosupervision. Notre méthodologie principale consiste à définir un a priori conceptuel initial et à l’affiner grâce à l’apprentissage autosupervisé, permettant ainsi aux modèles de généraliser au-delà des cas prototypiques.
Nous utilisons la musique comme terrain d’étude pour l’apprentissage de concepts par autosupervision. Tout d’abord, nous démontrons que des a priori spécifiques à la tâche, soigneusement conçus, peuvent favoriser l’apprentissage autosupervisé de concepts syntaxiques et sémantiques en musique. Nous présentons ensuite un cadre plus général, la modélisation « musique pour la musique » (music-for-music modeling), qui ancre les a priori conceptuels abstraits directement dans la modalité musicale et offre une approche unifiée pour modéliser divers concepts musicaux. Que ce soit dans des contextes symboliques ou audio, nos modèles apprennent des concepts musicaux de haut niveau à partir de données non annotées et les appliquent à l’analyse musicale ainsi qu’à la génération contrôlable. Ils égalent, voire surpassent, les modèles de référence supervisés dans plusieurs tâches d’analyse et de génération, démontrant ainsi l’efficacité du paradigme d’entraînement proposé.
Le séminaire sera présenté en anglais et se tiendra à l’adresse suivante : https://visio.numerique.gouv.fr/alg-omus-ada.
Online
français
English