L’Ecole doctorale : Mathématiques Hadamard
et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux
présentent
l’AVIS DE SOUTENANCE de Monsieur Max COHEN
Autorisé à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à Télécom SudParis en :
« Métamodèles et approches bayésiennes pour les systèmes dynamiques »
le JEUDI 30 MARS 2023 à 10h00
Amphi 5
19 place Marguerite Perey, 91120 Palaiseau
Membres du jury :
M. Sylvain LE CORFF, Professeur, Télécom SudParis, FRANCE – Directeur de thèse
M. Stéphane LECOEUCHE, Professeur, IMT Lille-Douai, FRANCE – Rapporteur
M. Víctor ELVIRA, Professeur, University of Edinburgh, ROYAUME-UNI – Rapporteur
Mme Marie-Pierre ETIENNE, Maîtresse de conférences, Institut Agro Rennes-Angers, FRANCE – Examinatrice
M. Wojciech PIECZYNSKI, Professeur, Télécom SudParis, FRANCE – Examinateur
M. Maurice CHARBIT, Professeur émérite, Accenta, FRANCE – Co-encadrant de thèse
Résumé :
Dans ce manuscrit, nous développons des architectures d’apprentissage profond pour modéliser la consommation énergétique et la qualité de l’air de bâtiments. Nous présentons d’abord une méthodologie de bout-en-bout permettant d’optimiser la demande énergétique tout en améliorant le confort, en substituant au traditionnel simulateur physique un modèle num’eriquement plus efficace. A partir de données historiques, nous vérifions que les simulations de ce métamodèle correspondent aux conditions réelles du bâtiment. Cependant, les performances des prédictions sont dégradées dans certaines situations à cause de différents facteurs alétoires. Nous proposons alors de quantifier l’incertitude des prédictions en combinant des modèles à espaces d’état à des modèles d’apprentissage profond pour les séries temporelles. Dans une première approche, nous montrons comment les poids d’un modèle peuvent être affinés par des méthodes de Monte Carlo séquentielles, afin de prendre en compte l’incertitude sur la dernière couche. Nous proposons un second modèle génératif à états latents discrets, permettant une procédure d’apprentissage moins coûteuse par Inférence Variationnelle ayant des performances équivalentes sur une tâche de prévision de l’humidité relative. Enfin, notre dernière contribution étend l’utilisation de ces modèles discrets, en proposant une nouvelle loi a priori basée sur des ponts de diffusion. En apprenant à corrompre puis à reconstruire des échantillons de l’espace latent, notre modèle est capable d’apprendre la distribution a priori, quelle que soit la nature des données.
Abstract : « Metamodel and bayesian approaches for dynamic systems »
In this thesis, we develop deep learning architectures for modelling building energy consumption and air quality. We first present an end-to-end methodology for optimizing energy demand while improving indoor comfort, by substituting the traditionally used physical simulators with a much faster surrogate model. Using historic data, we can ensure that simulations from this metamodel match the real conditions of the buildings. Yet some differences remain, due to unavailable and random factors. We propose to quantify this uncertainty by combining state space models with time series deep learning models. In a first approach, we show how the weights of a model can be finetuned through Sequential Monte Carlo methods, in order to take into account uncertainty on the last layer. We propose a second generative model with discrete latent states, allowing for a simpler training procedure through Variational Inference and equivalent performances on a relative humidity forecasting task. Finally, our last work extends on these quantized models, by proposing a new prior based on diffusion bridges. By learning to corrupt and reconstruct samples from the latent space, our model is able to learn the complex prior distribution, regardless of the nature of the data.