Page: 1 2 3 4 5 6 7 8... 81
| 61 |
Deep Learning Methods for Human Behavior Recognition
|
|
Lu, Jia. - : Auckland University of Technology, 2021
|
|
BASE
|
|
Show details
|
|
|
| 62 |
Littérature et intelligence artificielle
|
|
|
|
In: L'intelligence artificielle des textes ; https://hal.archives-ouvertes.fr/hal-03240145 ; D. Mayaffre, L. Vanni. L'intelligence artificielle des textes, Honoré Champion, pp.73-130, 2021, Lettres Numériques, 9782745356406 (2021)
|
|
Abstract:
International audience ; De Homère à Shakespeare les questions de paternité littéraire ou de datation passionnent la critique. Or le décryptage de l’ADN résout sans discussion les problèmes de criminalité ou de paternité. L’Intelligence artificielle peut-elle jouer le même rôle dans le déchiffrement des textes? C’est l’objet de la présente étude, menée conjointement dans deux corpus. Dans le premier, on aborde le roman au XXème siècle en proposant à l’algorithme du deep learning un panel de 50 textes et de 25 écrivains (parmi lesquels Roman Gary et Émile Ajar). Il s’agit de reconnaître les textes qui ont le même auteur. Le deep learning réussit l’épreuve sans faillir. Fort de cette réussite, le même algorithme est appliqué au théâtre classique. La conclusion est là aussi catégorique : Racine, Corneille et Molière se distinguent parfaitement sauf dans deux cas (Don Garcie et Les Plaideurs) où le genre vient brouiller la signature. Le présent article s’interroge sur les mécanismes mis en œuvre dans le deep learning. Il s’agit d’abord de contrôler les résultats du deep learning en les confrontant non seulement aux acquis de l’histoire littéraire mais à l’approche classique de la statistique linguistique. Diverses mesures intertextuelles ont été proposées pour tenter de distinguer les distances intra (entre les textes d’un même auteur) et les distances inter (entre les auteurs). Tantôt on évalue la distance intertextuelle à partir des fréquences basses (grâce aux formules convergentes de, Jaccard , Evrard ou Muller), tantôt on s’appuie sur les hautes fréquences en recourant à l’analyse factorielle et à l’analyse arborée. Dans les deux corpus les procédures éprouvées de la lexicométrie confirment l’approche algorithmique du deep learning.On cherche aussi à imiter la démarche du deep learning en appliquant la statistique non pas aux mots individuels mais à des chaînes obtenues par glissement de trois mots adjacents (les triplets) ou bien en séparant, comme fait le deep learning, les textes soumis à l’apprentissage et les textes proposés à la prédiction (ces derniers traités en éléments supplémentaires dans l’analyse factorielle), ou bien en recourant à d’autres méthodes relevant de la technique neuronale (cartes de Kohonen).On vise aussi à expliquer, de l’intérieur, le processus , ici convolutionnel, du deep learning. Par une démarche rétroactive , dite de déconvolution, on s’applique à retrouver les marqueurs qui ont pesé sur les choix et à en relever la trace dans le texte. Mais le but principal est de comprendre et de maîtriser la démarche du deep learning et de la guider dans ses tentatives en s’appuyant sur des procédures plus exploratoires, transparentes, interprétables à chaque étape, avec des résultats visualisés (plans, arbres) ou évalués (zones de confiance bootstrap par exemple). On montre en particulier que l’analyse de correspondance peut obtenir les mêmes résultats que le deep learning, sans se soumettre à la nécessité d’un apprentissage supervisé : en traitant les pages du corpus en vrac, au kilomètre, sans partition explicite des textes.
|
|
Keyword:
[SHS.LITT]Humanities and Social Sciences/Literature; [SHS.STAT]Humanities and Social Sciences/Methods and statistics; [SHS]Humanities and Social Sciences; analyse de données; Corneille-Molière; deep learning; Intelligence artificielle; lexicométrie; paternité littéraire; romans XX siècle
|
|
URL: https://hal.archives-ouvertes.fr/hal-03240145
|
|
BASE
|
|
Hide details
|
|
|
| 63 |
Impact of textual data augmentation on linguistic pattern extraction to improve the idiomaticity of extractive summaries
|
|
|
|
In: Lecture Notes in Computer Science ; https://hal.archives-ouvertes.fr/hal-03271380 ; Matteo Golfarelli; Robert Wrembel. Lecture Notes in Computer Science, Springer, In press, Lecture Notes in Computer Science (2021)
|
|
BASE
|
|
Show details
|
|
|
| 64 |
Multiword Expression Features for Automatic Hate Speech Detection
|
|
|
|
In: NLDB 2021 - 26th International Conference on Natural Language & Information Systems ; https://hal.archives-ouvertes.fr/hal-03231047 ; NLDB 2021 - 26th International Conference on Natural Language & Information Systems, Jun 2021, Saarbrücken/Virtual, Germany ; http://nldb2021.sb.dfki.de/ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 65 |
Intelligence artificielle et discours politique. Quelles plus-values interprétatives ? Application aux corpus parlementaire et présidentiel contemporains
|
|
|
|
In: L'intelligence artificielle des textes. Des algorithmes à l'interprétation ; https://hal.archives-ouvertes.fr/hal-03347997 ; L'intelligence artificielle des textes. Des algorithmes à l'interprétation, 17, Honoré Champion, pp.131-182, 2021, Lettres numériques, 9782815937467 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 66 |
Intelligence artificielle et discours politique Le cas d'Emmanuel Macron (2017-2021)
|
|
|
|
In: https://hal.archives-ouvertes.fr/hal-03522615 ; 3ème cycle. Collège de France - Séminaire "Migrations et sociétés", France. 2021 ; Collège de France - Séminaire "Migrations et sociétés" (2021)
|
|
BASE
|
|
Show details
|
|
|
| 67 |
Recognizing lexical units in low-resource language contexts with supervised and unsupervised neural networks
|
|
|
|
In: https://hal.archives-ouvertes.fr/hal-03429051 ; [Research Report] LACITO (UMR 7107). 2021 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 68 |
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
|
|
|
| 69 |
Du groupe à l'individu, du corpus à l'expérimentation, du spectrogramme au deep learning pour la phonétique
|
|
|
|
In: https://hal.archives-ouvertes.fr/tel-03283447 ; Linguistique. Aix-Marseille Université, 2021 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 70 |
BI-RADS Reading of Non-Mass Lesions on DCE-MRI and Differential Diagnosis Performed by Radiomics and Deep Learning.
|
|
|
|
BASE
|
|
Show details
|
|
|
| 71 |
BI-RADS Reading of Non-Mass Lesions on DCE-MRI and Differential Diagnosis Performed by Radiomics and Deep Learning.
|
|
|
|
BASE
|
|
Show details
|
|
|
| 72 |
Playing With Unicorns: AI Dungeon and Citizen NLP
|
|
|
|
In: Digital Humanities Quarterly, vol 14, iss 4 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 73 |
Towards a Discourse-Level Natural Language Processing Algorithm: Characterizing Tumor Existence, Change of Existence, and its Progression from Unstructured Radiology Reports
|
|
Huang, Ruiqi. - : eScholarship, University of California, 2021
|
|
BASE
|
|
Show details
|
|
|
| 74 |
Geographic Question Answering with Spatially-Explicit Machine Learning Models
|
|
|
|
BASE
|
|
Show details
|
|
|
| 75 |
Automatic Speech Recognition : from hybrid to end-to-end approach ; Reconnaissance automatique de la parole à large vocabulaire : des approches hybrides aux approches End-to-End
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03616588 ; Intelligence artificielle [cs.AI]. Université Paul Sabatier - Toulouse III, 2021. Français. ⟨NNT : 2021TOU30116⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 76 |
Large vocabulary automatic speech recognition: from hybrid to end-to-end approaches ; Reconnaissance automatique de la parole à large vocabulaire : des approches hybrides aux approches End-to-End
|
|
|
|
In: https://hal.archives-ouvertes.fr/tel-03269807 ; Son [cs.SD]. Université toulouse 3 Paul Sabatier, 2021. Français (2021)
|
|
BASE
|
|
Show details
|
|
|
| 77 |
Neuro-computational models of language processing
|
|
|
|
In: EISSN: 2333-9691 ; Annual Review of Linguistics ; https://hal.archives-ouvertes.fr/hal-03334485 ; Annual Review of Linguistics, Annual Reviews, In press, ⟨10.1146/lingbuzz/006147⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 78 |
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
|
|
|
| 79 |
Hate speech and offensive language detection using transfer learning approaches ; Détection du discours de haine et du langage offensant utilisant des approches de Transfer Learning
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03276023 ; Document and Text Processing. Institut Polytechnique de Paris, 2021. English. ⟨NNT : 2021IPPAS007⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 80 |
Automatic sentence simplification using controllable and unsupervised methods ; Simplification automatique de phrases à l'aide de méthodes contrôlables et non supervisées
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03543971 ; Computation and Language [cs.CL]. Sorbonne Université, 2021. English. ⟨NNT : 2021SORUS265⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
Page: 1 2 3 4 5 6 7 8... 81 |
|
