Nous présenterons l'utilisation des modèles génératifs pour diminuer le coût d'annotation des corpus, en regardant trois paradigmes différents: l'augmentation de données, l'apprentissage par appartenance de requête synthétisée, et l'apprentissage actif. Nous comparons d'abord plusieurs algorithmes pour la classification de phrases et montrons que les algorithmes génératifs obtiennent d'aussi bonnes performances que les autres techniques d'état de l'art, sans avoir besoin de données externes. Nous présentons ensuite l'extension de cette recherche pour l'augmentation de données appliquée aux résumés automatiques. Finalement nous explorons l'utilisation des autoencodeurs variationnels pour l'apprentissage par appartenance de requêtes synthétisées.

Ce séminaire est la présentation du sujet de thèse:

Jury: Guy Lapalme (président), Philippe Langlais (directeur) Bang Liu (membre)