LNE
48.7619703,1.9819428
Contexte
Des travaux de recherche sont menés depuis plusieurs années au sein du département Science des Données et Incertitudes sur l'évaluation des incertitudes associées aux prédictions des algorithmes d'apprentissage. Une thèse portant sur deux sources d'incertitude (incertitude prédictive induite par l'incertitude des entrées [Monchot et al., 2023] et incertitude dite de répétabilité correspondant à l'incertitude liée au réentraînement du même réseau) a été soutenue fin 2023.
À présent, nos efforts se portent sur l'incertitude du jeu de données d'entraînement et plus spécifiquement l'incertitude d'échantillonnage afin de cadrer notamment le domaine de validité des modèles d'apprentissage profond. Dans la littérature scientifique actuelle, le recours à la géométrie différentielle pour représenter les données et l'utilisation de modèles génératifs (VAEs, GANs, modèles de Diffusion, modèles basés sur les flux, etc.) sont prédominants. À titre d'exemple, Chadebec et Allassonnière...