L’équipe LoRAL s’intéresse aux problèmes de traitement de données (signaux, images, données multi-modales, graphes) et développe des méthodes basées sur les modèles (décompositions matricielles, tensorielles…) ou basées sur les données (intelligence artificielle générative, réseaux neuronaux (comprimés), approches à noyau…), dans lesquelles on cherche à estimer ou apprendre des variables ou des espaces latents. Ces derniers sont intimement liés aux approximations (localement) de faible rang qui sont omniprésentes en science de données. L’équipe s’attache à proposer des compromis entre performance, légèreté des modèles et efficacité computationnelle.

Une part importante de son activité est liée aux applications, ces dernières nourrissant les développements méthodologiques et vice-versa. L’équipe est notamment à l’origine de la plate-forme d’acquisition d’images multi- et hyper-spectrales du LISIC.

Les travaux de l’équipe LoRAL sont en grande partie financés dans le cadre de projets institutionnels (CPER, FEDER, PEPR, ANR…) ou industriels (CIFRE…).

Mots clés :

• Approximations de faible rang
• Apprentissage
• Variables et espaces latents
• Approches basées sur les modèles
• Approches basées sur les données
• Frugalité
• Efficacité computationnelle
• Acquisition et traitement de données