Non classé
Les chercheurs conçoivent un nouveau modèle mathématique pour le transfert d’apprentissage dans les réseaux de neurones.
Alessandro Ingrosso, chercheur à l’Institut des neurosciences du Donders, a élaboré une nouvelle méthode mathématique, en collaboration avec des collègues italiens, pour prédire l’efficacité de l’apprentissage par transfert dans les réseaux neuronaux.
Cette avancée a été publiée dans Physical Review Letters et s’attaque au problème des données limitées, souvent rencontré dans des domaines comme le diagnostic médical, où il est difficile de trouver suffisamment d’exemples pour entraîner avec précision les modèles d’IA.
La solution proposée repose sur l’apprentissage par transfert, technique qui permet de transférer les connaissances d’un réseau formé sur un vaste ensemble de données à un autre réseau, avec des données plus restreintes.
Ingrosso et son équipe ont développé une théorie mathématique combinant l’approche de « Renormalisation du noyau » et le formalisme « Franz-Parisi ».
Leur méthode vise à améliorer la généralisation des réseaux cibles en intégrant efficacement les connaissances des réseaux sources, rendant ainsi l’apprentissage de l’IA plus fiable dans des contextes où les données sont rares.