Considération de l'Incertitude d'Imputation pour l'Apprentissage des Réseaux de Neurones - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Considération de l'Incertitude d'Imputation pour l'Apprentissage des Réseaux de Neurones

Résumé

Dans cet article, nous nous intéressons à l'entraînement de réseaux de neurones dans un contexte de données incomplètes Nous cherchons à améliorer l'entraînement des réseaux de neurones en réduisant les biais potentiels pouvant survenir durant la phase d'apprentissage sur des jeux de données artificiellement complétés. Nous proposons deux frameworks d'imputation, SHOT et M-HOT, pouvant être utilisés pour entraîner des réseaux neuronaux sur des données complétées de manière moins biaisée. Nous réalisons des expérimentations comparatives approfondies et évaluons statistiquement les résultats. Nous montrons que les frameworks proposés sont compétitifs et même plus performants que d'autres frameworks d'imputation existants.
Fichier principal
Vignette du fichier
SFC_2023.pdf (316.18 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04227951 , version 1 (04-10-2023)

Identifiants

  • HAL Id : hal-04227951 , version 1

Citer

Thomas Ranvier, Haytham Elghazel, Emmanuel Coquery, Khalid Benabdeslem. Considération de l'Incertitude d'Imputation pour l'Apprentissage des Réseaux de Neurones. Plate-Forme Intelligence Artificielle (PFIA 2023), Jul 2023, Strasbourg, France. ⟨hal-04227951⟩
42 Consultations
41 Téléchargements

Partager

Gmail Facebook X LinkedIn More