Apprentissage continu pour des base de données multimodales

Publié le : 12 mars 2020

Comme tout système embarqué, l’edge IA se connecte à son environnement, via des capteurs et éventuellement des actionneurs. Il doit gérer une variété d’entrées de capteurs, dans un environnement multimodal. Bien qu’il existe déjà plusieurs réseaux de neurones artificiels (ANN), chacun d’entre eux gérant une modalité spécifique, la construction d’un ANN pour la multimodalité reste un énorme défi. Dans l’état de l’art international, il a été montré avec un réseau neuronal impulsionnel faisant de classification d’images et de son (ensemble de données MNIST + son), une amélioration du taux de reconnaissance ainsi qu’une meilleure robustesse. Le défi est donc de trouver une approche générique, capable de prendre en compte les ANNs spécifiques à chaque modalité et de les intégrer dans un ANN multimodal.

Un autre défi pour l’edge IA est la capacité de s’adapter à une nouvelle situation, par exemple, un utilisateur donné ou un environnement spécifique. En effet, un algorithme d’IA, même s’il a été formé sur une grande base de données, doit pouvoir s’adapter. Nous appellerons cela la personnalisation. Le défi est le suivant : comment un ANN, formé sur une base de données initiale, pourrait-il être affiné pour un cas d’utilisation spécifique (par exemple, un utilisateur donné, un environnement spécifique) ? A partir d’un modèle bio-inspiré d’apprentissage incrémental fonctionnant pour une modalité, la deuxième partie de la thèse s’attachera à coupler les aspects multimodal et personnalisation.

En naviguant sur notre site, vous acceptez que des cookies soient utilisés pour vous proposer des contenus et services adaptés à vos centres d’intérêts. En savoir plus
X