Modularity in deep learning
الملخص
Modularité dans l'apprentissage profond L'objectif de cette thèse est de rendre l'apprentissage profond plus efficace en termes de ressources en appliquant le principe de modularité. La thèse comporte plusieurs contributions principales : une étude de la littérature sur la modularité dans l'apprentissage profond; la conception d'OmniPrint et de Meta-Album, des outils qui facilitent l'étude de la modularité des données; des études de cas examinant les effets de l'apprentissage épisodique, un exemple de modularité des données; un mécanisme d'évaluation modulaire appelé LTU pour évaluer les risques en matière de protection de la vie privée; et la méthode RRR pour réutiliser des modèles modulaires pré-entraînés afin d'en construire des versions plus compactes. La modularité, qui implique la décomposition d'une entité en sous-entités, est un concept répandu dans diverses disciplines. Cette thèse examine la modularité sur trois axes de l'apprentissage profond : les données, la tâche et le modèle. OmniPrint et Meta-Album facilitent de comparer les modèles modulaires et d'explorer les impacts de la modularité des données. LTU garantit la fiabilité de l'évaluation de la protection de la vie privée. RRR améliore l'efficacité de l'utilisation des modèles modulaires pré-entraînés. Collectivement, cette thèse fait le lien entre le principe de modularité et l'apprentissage profond et souligne ses avantages dans certains domaines de l'apprentissage profond, contribuant ainsi à une intelligence artificielle plus efficace en termes de ressources.
الكلمات المفتاحية
غير متوفر
التخصصات
رسائل وأطاريح مشابهة
- Deep Learning for Medical Image Segmentation Binyan Hu · 2026
- Efficient and Generalised Deep Learning Models for Medical Image Segmentation Zhendi Gong · University of Nottingham · 2026
- Efficient Deep Learning for Medical Imaging: Precision Segmentation and Beyond Lucas Gago · 2026
- Quantum machine learning for enhanced intrusion detection Ameel Valjee · University of Cape Town · 2026
- Deep Reinforcement Learning for Intrusion Detection and Response in Software-Defined Networks Trung Phan Van · Chemnitz University of Technology · 2026
- Evaluating Self-Supervised Learning for Network Intrusion Detection Bryan A. Marin Samano · 2026
