Peut-on obtenir des garanties compétitives sur le risque par mélange d'experts?

Développement d’un cadre méthodologique général pour atteindre la robustesse aux instances adverses par la détection et la régularisation

EN COURS

Les mélanges d’experts ont le potentiel de donner des modèles interprétables puissants en combinant plusieurs modèles interprétables.

La règle décrivant comment se fier à l’expertise individuelle de chaque modèle dépend de la requête d’entrée, elle est gérée par des mécanismes de sélection ou d’attention. Alors que les mélanges d’experts ont été proposés au début des années 90, les mécanismes d’attention sont devenus un moyen très populaire d’appliquer ce modèle aux problèmes de prédiction séquentielle, comme la traduction en langage naturel. Cependant, les modules les plus couramment utilisés sont généralement très complexes et ne présentent pas ou peu de garanties théoriques. Dans ce projet, nous cherchons à concevoir et créer des algorithmes interprétables et efficients pour l’apprentissage par mélanges d’experts avec des performances garanties. 

Équipe du projet

Jeux de données utilisés pour les expériences

Les données d’essai en vol d’hélicoptères réels comprennent des données de capteurs contenant des caractéristiques liées aux conditions de vol et aux conditions du système pneumatique haute pression au niveau des « pitch link ».

Équipe du projet