Prédiction conformelle profonde pour des modèles robustes - Archive ouverte HAL 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⟩
283 Consultations
198 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More