Réseaux de neurones à relaxation entraînés par critère d'autoencodeur débruitant
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".