1.  
2. Evénements 

---

Séminaire de recherche: Validation des perturbations

à 2.5 KM
Uni.lu Suivre

• Recherche
• Innovation
• Technologie
• Sciences
• Intelligence Artificielle

Cette présentation présente la perturbation de validation (PV), une nouvelle technique pour valider les modèles d'apprentissage automatique. PV ne dépend pas des données de test. Au lieu de cela, il perturbe les étiquettes des données de formation, re-entraîne le modèle par rapport aux données perturbées, puis utilise le taux de diminution de la précision de la formation qui en résulte pour évaluer la pertinence du modèle. Ceci est également différent des approches statistiques traditionnelles, qui font des jugements basés sur la précision de la formation d'origine. Nous avons évalué la PV sur 10 ensembles de données du monde réel et 6 ensembles de données synthétiques.

Nos résultats démontrent que le PV est plus discriminant sur l'ajustement du modèle que les approches de validation existantes et il s'accorde bien avec les intuitions largement répandues concernant les propriétés d'une bonne mesure de l'ajustement du modèle. Nous montrons également que le complément de PV et les validations existantes nous permettent de démêler certains des problèmes présents dans le paradoxe apparent récemment débattu `` que les modèles à haute capacité, potentiellement sur-équipés '' peuvent néanmoins présenter une bonne capacité de généralisation.

Jie Zhang est chercheur au CREST, UCL, travaillant avec le professeur Mark Harman. Elle a obtenu son doctorat à l'Université de Pékin en 2018. Elle a remporté la bourse MSRA 2016, le Top-ten Research Excellence Award de EECS, l'Université de Pékin et la bourse nationale 2015. Elle est coprésidente de ASE SRC 2019 et Mutation 2020, et membre du comité de programme de FSE 2020, ISSTA 2020, ASE 2020, 2019. Ses principaux intérêts de recherche sont les tests de logiciels et les tests d'apprentissage automatique.