Prédiction conformelle profonde pour des modèles robustes - Laboratoire d'Excellence MS2T - Maîtrise des Systèmes de Systèmes Technologiques Accéder directement au contenu
Communication Dans Un Congrès Année : 2020

Prédiction conformelle profonde pour des modèles robustes

Résumé

Les réseaux profonds, comme d'autres modèles, peuvent associer une confiance élevée à des prédictions peu fiables. Rendre ces modèles robustes et fiables est donc essentiel, surtout pour les décisions critiques. Ce papier montre expérimentalement que la prédiction conformelle, et plus particulièrement l'ap-proche de [Hechtlinger et al. (2018)], apporte une solution convaincante à ce défi. La prédiction conformelle fournit un ensemble de classes couvrant la vraie classe avec avec une fréquence choisie au préalable par l'utilisateur. Dans le cas où l'exemple à prédire est atypique, la prédiction conformelle prédira l'en-semble vide. Les expériences menées montrent le bon comportement de l'ap-proche conformelle, en particulier lorsque les données sont bruitées.
Fichier principal
Vignette du fichier
1002585 (1).pdf (4.56 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-02469294 , version 1 (31-03-2021)

Identifiants

  • HAL Id : hal-02469294 , version 1

Citer

Soundouss Messoudi, Sylvain Rousseau, Sébastien Destercke. Prédiction conformelle profonde pour des modèles robustes. 20ème Conférence Extraction et Gestion des Connaissances (EGC 2020), Jan 2020, Bruxelles, Belgique. pp.301-308. ⟨hal-02469294⟩
231 Consultations
155 Téléchargements

Partager

Gmail Facebook X LinkedIn More