Réseaux de neurones à relaxation entraînés par critère d'autoencodeur débruitant
Notice bibliographique
Résumé
L’apprentissage machine est un vaste domaine où l’on cherche à apprendre les paramètres\nde modèles à partir de données concrètes. Ce sera pour effectuer des tâches demandant\ndes aptitudes attribuées à l’intelligence humaine, comme la capacité à traiter des don-\nnées de haute dimensionnalité présentant beaucoup de variations. Les réseaux de neu-\nrones artificiels sont un exemple de tels modèles. Dans certains réseaux de neurones dits\nprofonds, des concepts "abstraits" sont appris automatiquement.\nLes travaux présentés ici prennent leur inspiration de réseaux de neurones profonds,\nde réseaux récurrents et de neuroscience du système visuel. Nos tâches de test sont\nla classification et le débruitement d’images quasi binaires. On permettra une rétroac-\ntion où des représentations de haut niveau (plus "abstraites") influencent des représentations à bas niveau. Cette influence s’effectuera au cours de ce qu’on nomme relaxation,\ndes itérations où les différents niveaux (ou couches) du modèle s’interinfluencent. Nous\nprésentons deux familles d’architectures, l’une, l’architecture complètement connectée,\npouvant en principe traiter des données générales et une autre, l’architecture convolutionnelle, plus spécifiquement adaptée aux images. Dans tous les cas, les données utilisées\nsont des images, principalement des images de chiffres manuscrits.\nDans un type d’expérience, nous cherchons à reconstruire des données qui ont été\ncorrompues. On a pu y observer le phénomène d’influence décrit précédemment en comparant le résultat avec et sans la relaxation. On note aussi certains gains numériques et\nvisuels en terme de performance de reconstruction en ajoutant l’influence des couches\nsupérieures. Dans un autre type de tâche, la classification, peu de gains ont été observés.\nOn a tout de même pu constater que dans certains cas la relaxation aiderait à apprendre\ndes représentations utiles pour classifier des images corrompues. L’architecture convolutionnelle développée, plus incertaine au départ, permet malgré tout d’obtenir des reconstructions numériquement et visuellement semblables à celles obtenues avec l’autre\narchitecture, même si sa connectivité est contrainte.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».