Classification ensembliste profonde

À propos

Les travaux de recherche présentés dans ce mémoire portent sur la classification automatique par des algorithmes d'apprentissage profonds. Il s'agissait d'étudier la possibilité d'étendre l'architecture profonde, née avec les réseaux de neurones et inspirée des différentes couches du cortex cérébral, à des algorithmes d'apprentissage qui ne présenteraient pas les mêmes inconvénients que les algorithmes neuronaux (lourdeur, lenteur, boîte noire). Après une étude approfondie de la problématique de la classification et des différentes sortes d'architecture profonde, nous proposons deux méthodes originales ensemblistes profondes de classification. Ces méthodes répondent tout à fait à l'objectif fixé initialement, et peuvent remplacer dans un certain nombre de contextes tout à fait avantageusement les architectures profondes neuronales. Nous proposons également une méthode pour paramétrer automatiquement les architectures profondes neuronales, pour éviter les tâtonnements d'usage dans ce domaine. Enfin, nous avons validé notre démarche en montrant sa capacité à résoudre des problèmes de classification multi-label.

The research work presented in this thesis focuses on automatic classification by deep learning algorithms. The aim was to study the possibility of extending the deep architecture, born with neural networks and inspired by the different layers of the cerebral cortex, to learning algorithms that would not have the same drawbacks as neural algorithms (heaviness, slowness, black box). After an in-depth study of the problems of classification and of the different kinds of deep architecture, we propose two original deep set-based methods of classification. These methods fully meet the objective set initially, and can replace deep neural architectures quite advantageously in a certain number of contexts. We also propose a method to automatically set the parameters of Multi-layer perceptrons, to avoid the usual trial and error method used in this field. Finally, we validated our approach by showing its ability to solve multi-label classification problems.