Un élément clé du récent succès des modèles d'apprentissage profond de traitement du langage réside dans la capacité à apprendre des "embeddings" de mots efficaces. Ces méthodes fournissent des espaces vectoriels structurés de dimension réduite ayant des relations métriques intéressantes. Ceux-ci, à leur tour, peuvent être utilisés comme des représentations d'entrée efficaces pour traiter des tâches plus complexes. Dans cette thèse, nous nous concentrons sur la tâche d'apprentissage d'espaces "d'embedding" pour la musique polyphonique dans le domaine symbolique. Pour ce faire, nous explorons deux approches différentes. La première s'inspire des travaux réalisés dans le domaine du traitement du langage et repose sur des tâches de prédiction, tandis que la seconde est basée sur l'espace latent des encodeurs automatiques variationnels (VAE).

devant le jury composé de :

Frederic Bimbot : Université Rennes
Anna Jordanous : Kent university
Geoffroy Peeters : Telecom ParisTech
Jean-Pierre Briot : Sorbonne Université
Florence Levé : Université de Picardie Jules Verne
Simon Colton : Goldsmith university