AVIS DE SOUTENANCE de Monsieur Max COHEN

L’Ecole doctorale : Math√©matiques Hadamard

et le Laboratoire de recherche SAMOVAR РServices répartis, Architectures, Modélisation, Validation, Administration des Réseaux

présentent

l’AVIS DE SOUTENANCE de Monsieur Max COHEN

Autoris√© √† pr√©senter ses travaux en vue de l‚Äôobtention du Doctorat de l’Institut Polytechnique de Paris, pr√©par√© √† T√©l√©com SudParis en :

¬ę M√©tamod√®les et approches bay√©siennes pour les syst√®mes dynamiques ¬Ľ

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 РDirecteur de thèse
M. Stéphane LECOEUCHE, Professeur, IMT Lille-Douai, FRANCE РRapporteur
M. Víctor ELVIRA, Professeur, University of Edinburgh, ROYAUME-UNI РRapporteur
Mme Marie-Pierre¬†ETIENNE, Ma√ģtresse de conf√©rences, Institut Agro Rennes-Angers, FRANCE – Examinatrice
M. Wojciech PIECZYNSKI, Professeur, Télécom SudParis, FRANCE РExaminateur
M. Maurice CHARBIT, Professeur émérite, Accenta, FRANCE РCo-encadrant de thèse


Résumé :

Dans ce manuscrit, nous d√©veloppons des architectures d’apprentissage profond pour mod√©liser la consommation √©nerg√©tique et la qualit√© de l’air de b√Ętiments. Nous pr√©sentons d’abord une m√©thodologie de bout-en-bout permettant d’optimiser la demande √©nerg√©tique tout en am√©liorant le confort, en substituant au traditionnel simulateur physique un mod√®le num’eriquement plus efficace. A partir de donn√©es historiques, nous v√©rifions que les simulations de ce m√©tamod√®le correspondent aux conditions r√©elles du b√Ętiment. Cependant, les performances des pr√©dictions sont d√©grad√©es dans certaines situations √† cause de diff√©rents facteurs al√©toires. Nous proposons alors de quantifier l’incertitude des pr√©dictions en combinant des mod√®les √† espaces d’√©tat √† des mod√®les d’apprentissage profond pour les s√©ries temporelles. Dans une premi√®re approche, nous montrons comment les poids d’un mod√®le peuvent √™tre affin√©s par des m√©thodes de Monte Carlo s√©quentielles, afin de prendre en compte l’incertitude sur la derni√®re couche. Nous proposons un second mod√®le g√©n√©ratif √† √©tats latents discrets, permettant une proc√©dure d’apprentissage moins co√Ľteuse par Inf√©rence Variationnelle ayant des performances √©quivalentes sur une t√Ęche de pr√©vision de l’humidit√© relative. Enfin, notre derni√®re contribution √©tend l’utilisation de ces mod√®les discrets, en proposant une nouvelle loi a priori bas√©e sur des ponts de diffusion. En apprenant √† corrompre puis √† reconstruire des √©chantillons de l’espace latent, notre mod√®le est capable d’apprendre la distribution a priori, quelle que soit la nature des donn√©es.


Abstract : ¬ę¬†Metamodel and bayesian approaches for dynamic systems¬†¬Ľ

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.