Impact de la configuration automatique multi-objectif de réseaux de neurones profonds sur l’interprétabilité

When:
01/04/2020 – 02/04/2020 all-day
2020-04-01T02:00:00+02:00
2020-04-02T02:00:00+02:00

Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : CRIStAL équipe ORKAD
Durée : 4 à 6 mois
Contact : julie.jacques@univ-catholille.fr
Date limite de publication : 2020-04-01

Contexte :
Les réseaux de neurones profonds (Deep Learning), qui sont efficaces en classification (prédiction des achats clients, classification des activités d’une société,…), bénéficient de moyens de calculs de plus en plus importants (Nvidia Tensor Core). La conception d’un réseau de neurones requiert de nombreux hyperparamètres qu’il faut adapter soigneusement au problème traité : nombre de noeuds, type de connexion entre les noeuds, fonction d’activation,… Actuellement, une recherche croissante est dirigée vers l’automatisation du paramétrage de ces algorithmes afin d’obtenir la meilleure efficacité. De plus, les réseaux de neurones adoptent une approche de type « boîte noire » difficile à interpréter. Ceci les rend difficilement compatibles avec une utilisation médicale selon le rapport du CCNE (Comité consultatif national d’éthique pour les sciences de la vie et de la santé) et pose un vrai défi d’explicabilité. Dans ce contexte, l’XAI (eXplainable Artificial Intelligence) s’intéresse à la création d’outils pour améliorer la compréhension de ce type d’approches.

Sujet :
Dans ce stage, nous nous intéresserons à 2 aspects.
1/ Le premier aspect concerne l’ hyper- paramétrage automatique de réseaux de neurones profonds . Nous proposons d’utiliser des méthodes de configuration automatique d’algorithmes tels
que paramILS [Hutter2009] pour déterminer la configuration d’hyperparamètres idéale. Il s’agira de générer des réseaux de neurones dont les caractéristiques sont adaptées au problème et à son environnement.
2/ Le second aspect concerne l’i nterprétabilité de l’intelligence artificielle . Dans un premier temps l’objectif est d’étudier les approches émergentes telles que BreakDown [Staniak2019] qui permettent d’augmenter l’interprétabilité des réseaux de neurones. Dans un deuxième temps, en étudiant grâce à l’approche proposée précédemment comment les hyper-paramètres influent sur la qualité de l’interprétation. Cela permettra d’élaborer une nouvelle version de l’approche proposée, qui maximise à la fois la qualité de l’interprétation et la performance du réseau.

Profil du candidat :
Etudiant en fin de BAC+5 en informatique
Poursuite en thèse possible

Formation et compétences requises :
Etudiant en fin de BAC+5 en informatique
Une expérience de programmation C++ et/ou Python (Tensorflow, Scikit Learn) est un plus.

Adresse d’emploi :
UMR CRIStAL
Université de Lille – Campus scientifique
Bâtiment ESPRIT
Avenue Henri Poincaré

Document attaché : stage_ORKAD_2020_MO-AAC_NN_XAI.pdf