| 1 |
Analyse automatique d’arguments et apprentissage multi-tâches : un cas d’étude
|
|
|
|
In: Revue Ouverte d'Intelligence Artificielle ; https://hal.mines-ales.fr/hal-03638222 ; Revue Ouverte d'Intelligence Artificielle, Association pour la diffusion de la recherche francophone en intelligence artificielle, 2022, 3 (3-4), pp.201-222. ⟨10.5802/roia.29⟩ (2022)
|
|
BASE
|
|
Show details
|
|
|
| 2 |
Le modèle Transformer: un « couteau suisse » pour le traitement automatique des langues
|
|
|
|
In: Techniques de l'Ingenieur ; https://hal.archives-ouvertes.fr/hal-03619077 ; Techniques de l'Ingenieur, Techniques de l'ingénieur, 2022, ⟨10.51257/a-v1-in195⟩ ; https://www.techniques-ingenieur.fr/base-documentaire/innovation-th10/innovations-en-electronique-et-tic-42257210/transformer-des-reseaux-de-neurones-pour-le-traitement-automatique-des-langues-in195/ (2022)
|
|
BASE
|
|
Show details
|
|
|
| 3 |
Neural machine translation and language teaching : possible implications for the CEFR ...
|
|
|
|
BASE
|
|
Show details
|
|
|
| 4 |
Unsupervised Word embedding Alignment in the biomedical domain ; Alignement non supervisé d'embeddings de mots dans le domaine biomédical
|
|
|
|
In: CIFSD - Conférence Internationale Francophone sur la Science des Données ; https://hal.archives-ouvertes.fr/hal-03259987 ; CIFSD - Conférence Internationale Francophone sur la Science des Données, Jun 2021, Marseille/Virtuel, France (2021)
|
|
BASE
|
|
Show details
|
|
|
| 5 |
Prédire l'aspect linguistique en anglais au moyen de transformers
|
|
|
|
In: à paraître : Actes de la 28e Conférence sur le Traitement Automatique des Langues Naturelles. Volume 1 : conférence principale ; Traitement Automatique des Langues Naturelles (TALN 2021) ; https://hal.archives-ouvertes.fr/hal-03265894 ; Traitement Automatique des Langues Naturelles (TALN 2021), 2021, Lille, France. pp.209-218 ; https://talnrecital2021.inria.fr/articles-acceptes/ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 6 |
Extraction automatique de relations sémantiques d’hyperonymie et d’hyponymie dans un corpus métier
|
|
|
|
In: Actes de la 28e Conférence sur le Traitement Automatique des Langues Naturelles. Volume 1 : conférence principale ; Traitement Automatique des Langues Naturelles ; https://hal.archives-ouvertes.fr/hal-03265877 ; Traitement Automatique des Langues Naturelles, 2021, Lille, France. pp.162-170 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 7 |
Analysis of cortical activity for the development of brain-computer interfaces for speech ; Analyse d'activité corticale pour le développement d'interfaces cerveau-machine pour la parole
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03578854 ; Bioinformatics [q-bio.QM]. Université Grenoble Alpes [2020-.], 2021. English. ⟨NNT : 2021GRALS022⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 8 |
Automatic risk detection system by audiovisual signal processing ; Système de détection automatique de risques par traitement de signaux audiovisuels
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03602318 ; Signal and Image processing. Université Polytechnique Hauts-de-France; Institut national des sciences appliquées Hauts-de-France, 2021. English. ⟨NNT : 2021UPHF0040⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 9 |
Influencer detection in social media ; Détection des influenceurs dans des médias sociaux
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03640442 ; Ordinateur et société [cs.CY]. Institut National des Langues et Civilisations Orientales- INALCO PARIS - LANGUES O', 2021. Français. ⟨NNT : 2021INAL0034⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 10 |
Representation learning of writing style, application to news recommendation ; Apprentissage de la représentation du style écrit, application à la recommandation d’articles d’actualité
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03420487 ; Apprentissage [cs.LG]. Université Paris-Saclay, 2021. Français. ⟨NNT : 2021UPASG010⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 11 |
Emerging linguistic universals in communicating neural network agents ; Les universaux linguistiques émergeant dans les réseaux de neurones communicants
|
|
|
|
In: https://hal.inria.fr/tel-03536320 ; Cognitive science. Ecole doctorale cerveau-cognition comportement (ED3C), 2021. English (2021)
|
|
BASE
|
|
Show details
|
|
|
| 12 |
La traduction automatique neuronale et les biais de genre : le cas des noms de métiers entre l'italien et le français ...
|
|
|
|
BASE
|
|
Show details
|
|
|
| 13 |
La traduction automatique neuronale et les biais de genre : le cas des noms de métiers entre l'italien et le français ...
|
|
|
|
BASE
|
|
Show details
|
|
|
| 14 |
Influencer detection in social media ; Détection des influenceurs dans des médias sociaux
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03640442 ; Ordinateur et société [cs.CY]. Institut National des Langues et Civilisations Orientales- INALCO PARIS - LANGUES O', 2021. Français. ⟨NNT : 2021INAL0034⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 15 |
Alzheimer prediction from connected speech extracts : assessment of generalisation to new data
|
|
|
|
Abstract:
co-direction : Simona Brambati ; Plusieurs avancées utilisant le discours obtenu de la tâche de description d’image ont été réalisées dans la détection de la maladie d’Alzheimer (AD). L’utilisation de caractéristiques linguistiques et acoustiques sélectionnées manuellement ainsi que l’utilisation de méthodologies d’apprentissage profond ont montré des résultats très prometteurs dans la classification des patients avec AD. Dans ce mémoire, nous comparons les deux méthodologies sur la scène Cookie Theft du Boston Aphasia Examination en entrainant des modèles avec des caractéristiques sélectionnées à partir des extraits textuels et audio ainsi que sur un modèle d’apprentissage profond BERT. Nos modèles sont entrainés sur l’ensemble de données ADReSS challenge plus récent et évaluées sur l’ensemble de données CCNA et vice versa pour mesurer la généralisation des modèles sur des exemples jamais vus dans des ensembles de données différents. Une évaluation détaillée de l’interprétabilité des modèles est effectuée pour déterminer si les modèles ont bien appris les représentations reliées à la maladie. Nous observons que les modèles ne performent pas bien lorsqu’ils sont évalués sur différents ensembles de données provenant du même domaine. Les représentations apprises des modèles entrainés sur les deux ensembles de données sont très différentes, ce qui pourrait expliquer le bas niveau de performance durant l’étape d’évaluation. Même si nous démontrons l’importance des caractéristiques linguistiques sur la classification des AD vs contrôle, nous observons que le meilleur modèle est BERT avec un niveau d’exactitude de 62.6% sur les données ADReSS challenge et 66.7% sur les données CCNA. ; Many advances have been made in the early diagnosis of Alzheimer’s Disease (AD) using connected speech elicited from a picture description task. The use of hand built linguistic and acoustic features as well as Deep Learning approaches have shown promising results in the classification of AD patients. In this research, we compare both approaches on the Cookie Theft scene from the Boston Aphasia Examination with models trained with features derived from the text and audio extracts as well as a Deep Learning approach using BERT. We train our models on the newer ADReSS challenge dataset and evaluate on the CCNA dataset and vice versa in order to asses the generalisation of the trained model on unseen examples from a different dataset. A thorough evaluation of the interpretability of the models is performed to see how well each of the models learn the representations related to the disease. It is observed that the models do not perform well when evaluated on a different dataset from the same domain. The selected and learned representations from the models trained on either dataset are very different and may explain the low performance in the evaluation step. While we demonstrate the importance of linguistic features in the classification of AD vs non-AD, we find the best overall model is BERT which achieves a test accuracy of 62.6% on the ADRess challenge dataset and 66.7% on the CCNA dataset.
|
|
Keyword:
Alzheimer's disease; Applied Sciences - Artificial Intelligence / Sciences appliqués et technologie - Intelligence artificielle (UMI : 0800); Apprentissage machine; Apprentissage par transfert; Machine learning; Maladie d'Alzheimer; Natural language processing; Traitement automatique des langues; Transfer learning
|
|
URL: http://hdl.handle.net/1866/26066
|
|
BASE
|
|
Hide details
|
|
|
| 16 |
L’utilisation du discours spontané pour le diagnostic précoce de la maladie d’Alzheimer
|
|
|
|
BASE
|
|
Show details
|
|
|
| 17 |
Une approche computationnelle de la complexité linguistique par le traitement automatique du langage naturel et l'oculométrie
|
|
|
|
BASE
|
|
Show details
|
|
|
| 18 |
Marqueurs discursifs de neurodégénérescence liée à la pathologie Alzheimer
|
|
|
|
BASE
|
|
Show details
|
|
|
| 19 |
Coreference resolution for spoken French ; Reconnaissance automatique de chaînes de coréférences en français parlé
|
|
|
|
In: https://hal.archives-ouvertes.fr/tel-02928209 ; Computation and Language [cs.CL]. Université Sorbonne Nouvelle - Paris 3, 2020. English (2020)
|
|
BASE
|
|
Show details
|
|
|
| 20 |
Multimodal and Interactive Models for Visually Grounded Language Learning ; Développement de modèles multimodaux intéractifs pour l'apprentissage du language dans des environnements visuels
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03018038 ; Neural and Evolutionary Computing [cs.NE]. Université de Lille; École doctorale, ED SPI 074 : Sciences pour l'Ingénieur, 2020. English (2020)
|
|
BASE
|
|
Show details
|
|
|
|
|
