Retours d'expérience : Disentangled Representations & Latent Diffusion models

• 18h45 - 19h00 : Accueil
• 19h00 à 20h00 : deux retours d'expérience

Stable Diffusion: High-Resolution Image Synthesis with Latent Diffusion Models par le Dr Mounir Bendali-Braham. Présentation du fonctionnement et des applications de Stable Diffusion par Mounir Bendali. Stable Diffusion est une méthode gratuite et open-source de génération d’images à partir de descriptions textuelles

Learning disentangled representations in neural networks par le Dr Robert Maria.
L'apprentissage de représentations désenchevêtrées dans les réseaux de neurones est importante dans l'apprentissage génératif profond. Les représentations désenchevêtrées offrent une meilleure interprétabilité, en séparant les différents facteurs de variation des données, facilitant ainsi la compréhension de leur contribution aux prédictions du modèle. Elles permettent également une meilleure généralisation, en capturant la structure des données, rendant le modèle plus robuste face aux changements de distribution des entrées. Ces représentations favorisent l'apprentissage par transfert, l'efficacité des données et le raisonnement causal en apprenant des caractéristiques significatives au lieu de mémoriser les modèles. Enfin, elles contribuent à l'équité et à l'éthique en aidant à atténuer les biais dans les modèles de machine learning en isolant les facteurs de variation qui peuvent affecter injustement les prédictions.

• 20h00 - 21h30 : Échanges autour d'un apéritif offert sur place.
• Les participants pourront poursuivre la soirée et les échanges après 21h30 autour d'un verre (ou plus) dans un bar à proximité.