Apprentissage statistique pour l’intégration de données de sources et de natures multiples

Jérôme Mariette
01 avr. 2017
  • Directrice de thèse : Nathalie Villa-Vialaneix (MIAT, INRA)
  • Soutenue le : 15/12/2017
  • Ecole doctorale : SEVAB
  • Etablissement : Université Paul Sabatier (Toulouse III)
  • Financement : salarié (Ingénieur d’Études MIA-T)

Durant sa thèse, Jérôme Mariette a travaillé sur des extensions des cartes auto-organisatrices pour les données noyau et sur l’intégration de données multiples à l’aide d’approches à noyau. Son travail a donné lieu à plusieurs publications :

  • Mariette, J., & Villa-Vialaneix, N. (2018). Unsupervised multiple kernel learning for heterogeneous data integration. Bioinformatics, 34(6), 1009–1015.

  • Mariette, J., Olteanu, M., & Vialaneix, N. (2017). Efficient interpretable variants of online SOM for large dissimilarity data. Neurocomputing, 225, 31–48.

à des publications ou communications dans des conférences (ESANN 2017, WSOM 2016, WSOM 2014, ECCB 2016) ainsi qu’au développement d’un package R package: mixKernel.


These SaAB
Avatar
Jérôme Mariette