Vers un apprentissage fiable dans la nature : généralisation et adaptation

Le déploiement d'algorithmes d'apprentissage automatique dans le monde réel pose souvent des défis en raison des changements dans les distributions de données et les tâches. Ces changements peuvent entraîner une dégradation des performances du modèle, car celui-ci peut ne pas avoir rencontré de telles variations lors de l'entraînement. De plus, ils peuvent rendre difficile pour le modèle de se généraliser à de nouveaux scénarios et peuvent entraîner des performances médiocres dans les applications réelles. Dans cette présentation, je présenterai nos recherches sur la construction de modèles d'apprentissage automatique hautement généralisables et facilement adaptables à différents changements. Plus précisément, je discuterai d'abord de notre approche pour améliorer la robustesse hors distribution et atténuer les corrélations trompeuses en formant des modèles invariants à l'environnement grâce à une augmentation sélective et à une rectification post-hoc. Ensuite, je présenterai nos techniques pour l'adaptation continue et rapide des modèles à de nouvelles tâches et environnements. Cela inclut des méthodes pour faciliter la généralisation compositionnelle et l'adaptation en extrayant des relations à partir d'observations historiques et pour améliorer une adaptation fiable même face à des observations imparfaites. De plus, je mettrai en avant nos pratiques réussies pour aborder les changements dans les applications concrètes, telles que dans les secteurs de la santé, du commerce électronique et des transports. La présentation abordera également les défis restants et esquissera des directions de recherche futures dans ce domaine.