Le transfert profond contribue aux progrès de l'apprentissage machine
À l'ère de la technologie, l'apprentissage machine est un domaine de recherche intéressant et très prometteur qui fera progresser la science de différentes manières – de l'amélioration des prévisions météorologiques à la prévision de la progression du cancer. Le projet financé par l'UE DEEP TRANSFER (Deep transfer: generalizing across domains) a travaillé au développement de nouveaux algorithmes qui apprennent des modèles de données pour améliorer l'apprentissage machine. Généralement, un défi central dans l'apprentissage machine consiste à obtenir suffisamment de données pour pouvoir apprendre un modèle précis. Le projet visait à surmonter cet obstacle en permettant à un algorithme d'envisager des données d'une tâche source ainsi que des données du problème cible lors de l'apprentissage d'un modèle. Il se concentrait sur le concept de transfert profond, c'est-à-dire la capacité à transférer des connaissances sur des domaines très différents. Pour atteindre ses objectifs, l'équipe du projet a développé un nouveau cadre qui exploite un transfert profond de pointe. Il reposait sur un modèle génératif du monde qui réalise le transfert en encourageant la réutilisation de régularités de haut niveau importantes et découvertes automatiquement (par ex. la transitivité, la symétrie et l'homophilie), dans différents domaines. Cela a été testé sur trois ensembles de données réels, à savoir un jeu de données d'interaction protéine-protéine lié à la levure, un domaine web sur les départements informatiques et un ensemble de données Twitter. Par rapport aux autres approches d'apprentissage de transfert et aux apprentissages à partir de zéro, l'approche de l'équipe a donné une amélioration importante, tant en précision qu'en temps d'exécution. Cela a également permis d'améliorer les connaissances dans d'autres domaines de l'apprentissage machine, comme l'évaluation empirique des modèles appris, l'apprentissage du modèle probabiliste et l'apprentissage relationnel statistique. Au-delà des progrès techniques de pointe réalisés dans le domaine, le projet a également publié le code correspondant et les données pour plusieurs systèmes, facilitant la poursuite de la recherche dans le domaine. Une application particulière où les algorithmes d'un projet réussi impliquaient l'analyse des interactions de la maladie. Comme l'apprentissage machine devient une technologie plus généralisée, elle devrait aider dans davantage de découvertes et d'applications liées à la science.
Mots‑clés
Transfert profond, apprentissage machine, apprentissage du modèle probabiliste, apprentissage relationnel statistique, interactions de la maladie
