Robustesse aux données débalancées
Évaluer, de manière rigoureuse la robustesse d’algorithmes d’apprentissage automatique face au problème de débalancement de classe dans les données.
Projet de stage – été 2020
Stagiaire : David Rares Ovidiu
Entreprise : Thales
Le développement de réseaux profonds de haute qualité repose sur des essais et des erreurs substantielles et la fiabilité de ces réseaux n’est pas clairement comprise.
Dans ce projet, Thales Recherche et Technologie propose d’établir un processus clair allant de la collecte des données aux phases d’apprentissage et de prévision afin d’évaluer, de manière rigoureuse la robustesse d’algorithmes d’apprentissage automatique face au problème de débalancement de classe dans les données.
Dans un premier temps, un ensemble de méthodes seront développées et évaluées sur un cas de détection d’anomalies du thorax par rayons X et chaque processus de développement du modèle sera évalué selon plusieurs métriques habituellement utilisées dans la littérature. L’ensemble de données sera ensuite délibérément déséquilibré.
Des recommandations seront proposées afin que les modèles développés soient robustes au débalancement de classe dans les données.
Restons en contact!
Vous souhaitez être informé des nouvelles et activités de l'IID? Abonnez-vous dès maintenant à notre infolettre mensuelle.