Apprentissage automatique multimodal pour la stratification et la prédiction: modèles à blocs stochastiques multi-couches et modèles d'experts interprétables

Mes travaux de recherche portent sur le développement de modèles d’apprentissage automatique multimodaux pour analyser des données médicales hétérogènes (audiologiques, génomiques et protéomiques), avec pour objectif la stratification des patients et la prédiction de la récupération auditive après un traumatisme sonore aigu.
La première contribution consiste en un modèle de fusion tardive basé sur les modèles à blocs stochastiques, permettant de capturer la redondance et la complémentarité des sources tout en assurant une stratification cohérente des individus. Cette approche s’appuie sur une méthodologie bayésienne pour fournir un critère robuste de sélection de modèles.
La seconde contribution introduit une méthode de fusion intermédiaire qui étend les Mixture of Experts en y intégrant une modélisation par modèles à blocs latents conditionnels. Cette méthode réduit la complexité algorithmique tout en préservant à la fois l’interprétabilité et les performances prédictives.