Public thesis defense Mathieu Simon - ICTEAM
sst |
Principled Disentangled Representation Learning: Functional Independence, Identifiability, and Sequential Modeling
Friday July 3rd, 2026 - 4pm - Auditorium BARB93 - Place Sainte-Barbe, 1 - 1348 Louvain-la-Neuve
Cette thèse étudie l’apprentissage de représentations désenchevêtrées, dont l’objectif est de retrouver automatiquement les facteurs latents qui génèrent des observations complexes, telles que des images ou des vidéos. Elle propose une approche fondée non plus uniquement sur l’indépendance statistique des facteurs, mais sur leur rôle fonctionnel dans le processus génératif.
Le travail développe trois contributions principales. Premièrement, il introduit une méthode non supervisée permettant de séparer, dans des données vidéo, les facteurs statiques des facteurs dynamiques, tout en tenant compte de leur dépendance causale. Deuxièmement, il établit de nouvelles conditions théoriques d’identifiabilité fondées sur l’orthogonalité fonctionnelle du modèle génératif, y compris lorsque les facteurs latents sont statistiquement dépendants. Enfin, il montre que les mêmes principes architecturaux peuvent être utilisés pour apprendre une représentation globale, compacte et informative d’une séquence vidéo entière.
Dans son ensemble, la thèse fournit un cadre unifié reliant désenchevêtrement, identifiabilité et modélisation séquentielle. Elle contribue ainsi à mieux comprendre pourquoi certaines architectures génératives parviennent à apprendre des représentations interprétables et propose des bases théoriques pour concevoir des modèles plus robustes, structurés et informatifs.
Jury members
Prof. Christophe De Vleeschouwe (UCLouvain), Supervisor
Prof. Pascal Frossard (EPFL), Supervisor
Prof. Laurent Francis (UCLouvain), Chairperson
Prof. Laurent Jacques (UCLouvain), Secretary
Prof. Benoît Macq (UCLouvain)
Prof. Thomas Maugey (INRIA)