Skip to Main content Skip to Navigation
Conference papers

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.
Document type :
Conference papers
Complete list of metadata

https://hal.archives-ouvertes.fr/hal-02469294
Contributor : Soundouss Messoudi Connect in order to contact the contributor
Submitted on : Wednesday, March 31, 2021 - 4:42:47 PM
Last modification on : Friday, April 8, 2022 - 10:16:42 AM
Long-term archiving on: : Thursday, July 1, 2021 - 6:00:54 PM

File

1002585 (1).pdf
Publisher files allowed on an open archive

Identifiers

  • HAL Id : hal-02469294, version 1

Citation

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. ⟨hal-02469294⟩

Share

Metrics

Record views

80

Files downloads

33