Théorie PAC-Bayésienne pour l’apprentissage de réseaux de neurones profonds
De nos jours, l’analyse des données est au coeur de plusieurs nouvelles technologies, surtout avec l’arrivée de l’ère du « big data » et l’essor du « deep learning ». En effet, les réseaux de neurones profonds appliqués à des données massives révolutionnent certains domaines comme la vision, le traitement de la langue naturelle et la bioinformatique. Cependant, la compréhension théorique des performances de ces méthodes ne parvient pas encore à expliquer leurs accomplissements empiriques. Le présent projet vise à exploiter la théorie PAC-Bayésienne afin de mieux comprendre d’un point de vue théorique l’apprentissage profond. Le PAC-Bayes permet d’obtenir des garanties statistiques pour des algorithmes d’apprentissage automatique pouvant être exploitées durant le processus d’apprentissage. Ainsi, le développement d’outils théoriques permettra de faciliter l’exploitation des réseaux de neurones profonds et de guider les développements futurs dans ce domaine.
View Full Project DescriptionFrançois Laviolette
Université de Lille
Computer science
Information and Communications Technology; Technology; Other
Université Laval
Globalink Research Award