Le séminaire “Apprentissage continu et détection d’anomalies : vers des systèmes fiables en environnements ouverts”, proposé par Son Vu, Maître de conférences à l’ENSEA et chercheur au laboratoire ETIS, aura lieu au Loria, le 2 avril à 14h, en salle C103.

Résumé: Bien que les modèles profonds aient connu un succès remarquable dans diverses applications, ils ne sont pas sans limites. Un inconvénient majeur réside dans leur capacité à exceller principalement dans des environnements fermés, tout en peinant à s’adapter à des situations imprévues ou à des événements rares. Cette fragilité peut devenir problématique dans des systèmes critiques comme l’imagerie médicale, où des cas atypiques peuvent fausser un diagnostic, ou la formation chirurgicale en réalité virtuelle, où une erreur peut induire une mauvaise décision.
Dans cette présentation, nous partagerons quelques récentes avancées pour autonomiser les systèmes afin qu’ils fonctionnent de manière sûre et autonome dans des scénarios ouverts, avec un focus sur la détection d’anomalies et l’apprentissage continu. En ce qui concerne la détection d’anomalies, nous proposons le premier modèle unifié AnoMem combinant mémoire Hopfield et apprentissage auto-supervisé, adapté aux scénarios “one-class (zero-shot)” et “unbalanced outlier-exposure (few-shot)”. Nous présenterons également SeeABLE et CTru, deux algorithmes pionniers proposant des solutions innovantes pour la détection de deepfakes, en reformulant cette tâche comme un problème de détection d’anomalies zero-shot dans des espaces hypersphériques et hyperboliques. Ensuite, nous dévoilerons DSDM, un nouvel algorithme d’apprentissage continu exploitant les réseaux de mémoire associative dynamique.
Enfin, nous discuterons de la manière dont l’apprentissage continu et la détection d’anomalies peuvent bénéficier à d’autres tâches, telles que le recalage et la localisation visuelle.