ÉTUDE DE L’AUGMENTATION DE DONNÉES POUR LA ROBUSTESSE DES RÉSEAUX DE NEURONES PROFONDS / Jean-Michel Amath Sarr 

Public ISBD Titre : ÉTUDE DE L’AUGMENTATION DE DONNÉES POUR LA ROBUSTESSE DES RÉSEAUX DE NEURONES PROFONDS Type de document : texte imprimé Auteurs : Jean-Michel Amath Sarr, Auteur Editeur : Dakar : Université Cheikh Anta Diop de Dakar : Ecole Doctorale Mathématiques et Informatique Importance : 131 P. Format : 29 cm Note générale : thèse provisoire Langues : Français (fre) Mots-clés : glissement de données  robustesse  données  grande données  big data  estimation  erreur de déploiement  réseaux de neurones profonds  réseaux de neurones  réseau  neurone  informatique  apprentissage machine  apprentissage profond Résumé : Dans cette thèse, nous avons considéré le problème de robustesse des réseaux de neurones. C’est-à-dire que nous avons considéré le cas ou le jeu d’apprentissage et le jeu de déploiement ne sont pas indépendamment et identiquement distribués suivant la même source. On parle alors de glissement de données. Notre principal outil de travail a été l’augmentation de données. En effet, une revue approfondie de la littérature et des expériences préliminaires nous ont montré le potentiel de régularisation de l’augmentation des données. Ainsi, dans un premier temps, nous avons cherché à utiliser l’augmentation de données pour rendre les réseaux de neurones plus robustes à divers glissements de données synthétiques et naturels. Cependant, les résultats de cette approche se sont révélés mitigés. En effet, nous avons observé que dans certains cas l’augmentation de données pouvait donner lieu à des bonds de performance sur le jeu de déploiement. Mais ce phénomène ne se produisait pas à chaque fois. Dans certains cas, augmenter les données pouvait même réduire les performances sur le jeu de déploiement. Nous proposons une explication granulaire à ce phénomène dans nos conclusions. Une meilleure utilisation de l’augmentation des données pour la robustesse des réseaux de neurones consiste à générer des tests de résistance ou "stress test" pour observer le comportement d’un modèle lorsque divers glissements de données surviennent. Ensuite, ces informations sur le comportement du modèle sont utilisées pour estimer l’erreur sur l’ensemble de déploiement même sans étiquettes, nous appelons cela l’estimation de l’erreur de déploiement. Par ailleurs, nous montrons que l’utilisation d’augmentation de données indépendantes peut améliorer l’estimation de l’erreur de déploiement. Nous croyons que cet usage de l’augmentation de données permettra de mieux cerner quantitativement la fiabilité des réseaux de neurones lorsqu’ils seront déployés sur de nouveaux jeux de données inconnus. Permalink : https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=1202 ÉTUDE DE L’AUGMENTATION DE DONNÉES POUR LA ROBUSTESSE DES RÉSEAUX DE NEURONES PROFONDS [texte imprimé] / Jean-Michel Amath Sarr, Auteur . - Dakar : Université Cheikh Anta Diop de Dakar : Ecole Doctorale Mathématiques et Informatique, [s.d.] . - 131 P. ; 29 cm. thèse provisoire Langues : Français (fre) Mots-clés : glissement de données  robustesse  données  grande données  big data  estimation  erreur de déploiement  réseaux de neurones profonds  réseaux de neurones  réseau  neurone  informatique  apprentissage machine  apprentissage profond Résumé : Dans cette thèse, nous avons considéré le problème de robustesse des réseaux de neurones. C’est-à-dire que nous avons considéré le cas ou le jeu d’apprentissage et le jeu de déploiement ne sont pas indépendamment et identiquement distribués suivant la même source. On parle alors de glissement de données. Notre principal outil de travail a été l’augmentation de données. En effet, une revue approfondie de la littérature et des expériences préliminaires nous ont montré le potentiel de régularisation de l’augmentation des données. Ainsi, dans un premier temps, nous avons cherché à utiliser l’augmentation de données pour rendre les réseaux de neurones plus robustes à divers glissements de données synthétiques et naturels. Cependant, les résultats de cette approche se sont révélés mitigés. En effet, nous avons observé que dans certains cas l’augmentation de données pouvait donner lieu à des bonds de performance sur le jeu de déploiement. Mais ce phénomène ne se produisait pas à chaque fois. Dans certains cas, augmenter les données pouvait même réduire les performances sur le jeu de déploiement. Nous proposons une explication granulaire à ce phénomène dans nos conclusions. Une meilleure utilisation de l’augmentation des données pour la robustesse des réseaux de neurones consiste à générer des tests de résistance ou "stress test" pour observer le comportement d’un modèle lorsque divers glissements de données surviennent. Ensuite, ces informations sur le comportement du modèle sont utilisées pour estimer l’erreur sur l’ensemble de déploiement même sans étiquettes, nous appelons cela l’estimation de l’erreur de déploiement. Par ailleurs, nous montrons que l’utilisation d’augmentation de données indépendantes peut améliorer l’estimation de l’erreur de déploiement. Nous croyons que cet usage de l’augmentation de données permettra de mieux cerner quantitativement la fiabilité des réseaux de neurones lorsqu’ils seront déployés sur de nouveaux jeux de données inconnus. Permalink : https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=1202

Réservation

Réserver ce document

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
TH 2452	TH 2452	Thèse de doctorat d'Etat	Thèses mathématiques et informatique	Informatique-Télécommunication	Disponible

Documents numériques

TH 2452 Adobe Acrobat PDF

---

1 (1 - 1 / 1) Par page : 25 50 100 200