MOUKAFIH YOUNESS

20/07

14h00

Soutenance de thèse de YOUNESS MOUKAFIH

Multitâches, contrastives et GAN semi-supervisé pour l'amélioration du traitement des dialectes arabes.

Enhancing Arabic dialect processing through multi-task, supervised contrastive, and semi-supervised GAN learning.

Jury

Directeur de these - SMAILI - Kamel - UNIVERSITE DE LORRAINE
CoDirecteur de these - GHOGHO - Mounir - UNIVERSITE DE RABAT
Examinateur - BERRADA - Ismail - UNIVERSITE POLYTECHNIC MOHAMMED VI
Examinateur - BENBRAHIM - Houda - UNIVERSITE MOHAMMED V
Examinateur - BOULMALF - Mohammed - UNIVERSITE INTERNATIONALE DE RABAT
Rapporteur - ESTèVE - Yannick - UNIVERSITE D AVIGNON
Rapporteur - KECHADI - Mohand Tahar - UNIVERSITE DE DUBLIN
Examinateur - BRUN - ARMELLE - UNIVERSITE DE LORRAINE

école doctorale

IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES

Laboratoire

LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications

Mention de diplôme

Informatique

amphithéâtre 4 Université Internationale de Rabat Technopolis Rabat-Shore Rocade Rabat-Salé, bâtiment 2, code postal 11100, Rabat

Mots clés

apprentissage approfondi,Dialectes arabes,traitement du langage naturel,,

Résumé de la thèse

L'apprentissage profond a révolutionné le domaine du traitement du langage naturel (NLP), apportant des avancées remarquables dans un large éventail de tâches, telles que la traduction automatique, la classification des textes et l'analyse des sentiments. Cependant, ces modèles dépendent souvent fortement de la disponibilité de données annotées étendues, ce qui présente des défis pour les langues à faibles ressources ou les scénarios où les données annotées sont difficiles à acquérir.

Keywords

Arabic dialects,natural language processing,deep learning,,

Abstract

Deep learning has revolutionized the field of Natural Language Processing (NLP), providing remarkable advancements in a wide array of tasks, such as machine translation, text classification, and sentiment analysis. However, these models often heavily rely on the availability of extensive annotated data, which presents challenges for low-resource languages or scenarios where annotated data is difficult to acquire.

Liste de toutes les soutenances