Pour gérer vos consentements :

Deep learning : comment réduire l’effet « boîte noire » ?

Comment justifier les résultats que produisent les réseaux de neurones artificiels ? Deux écoles de pensée se distinguent. L’une se fonde sur des méthodes d’explication a posteriori. L’autre, sur des modèles « intrinsèquement interprétables ».

Trois chercheurs ont récemment publié un rapport fruit de travaux relevant de la seconde approche. Ils l’ont appliquée à la vision par ordinateur. Avec, comme levier, une transformation linéaire commune en data science : le blanchissement. Et comme cible, l’espace latent, où les réseaux neuronaux représentent les concepts qu’ils apprennent.

La démarche implique de modifier légèrement l’architecture du modèle qu’on souhaite interpréter. On y intègre pour cela un module qui  normalise et décorrèle les axes de l’espace latent afin que les concepts s’y alignent. En contraignant ainsi cet espace, on évite la dissémination des informations relatives aux concepts. Et on peut donc potentiellement mieux comprendre, de couche en couche, comment le modèle les assimile.

a : non normalisé ; b : non décorrélé ; c : normalisé et décorrélé

Deep learning : échange transparence contre performance ?

Ce n’est pas, et de loin, la première initiative consistant à modifier la structure de modèles de deep learning pour les rendre plus « lisibles ». Mais dans le cas présent, on nous avance, benchmarks à l’appui, un atout : une dégradation quasi nulle des performances. De l’ordre de quelques dixièmes de pourcent en l’occurrence.

Les chercheurs ont exploité le jeu de données MS COCO pour apporter des concepts d’intérêt destinés à structurer l’espace latent. Puis ils ont mis à l’épreuve des algorithmes populaires de deep learning. Avec les résultats ci-dessus (produits sur le jeu de données Places365).

Sur les couches les plus basses des réseaux neuronaux, limitées en complexité, les concepts ont tendance à reposer sur des informations « primaires » comme la texture et la couleur. Plus on descend, plus les images qui les représentent sont sémantiquement proches. On le voit ci-dessous pour les concepts d’avion, de lit et de personne.

Illustration principale © psdesign1 – Fotolia

Recent Posts

Développeurs : les 10 communautés les plus étendues

Ecosystèmes, plateformes, outils et langages confondus, GitHub, Apple et Stack Overflow attirent le plus grand…

16 heures ago

Project Zero revoit sa stratégie de sa « chasse aux failles »

Assouplissement de politique pour Project Zero. L'équipe de « chasse aux failles » va en…

17 heures ago

Blockchain : des milliards en perspective pour qui ?

Les services IT et aux entreprises capteraient plus des deux tiers des investissements mondiaux réalisés…

21 heures ago

Docker : un chemin délicat vers Apple Silicon

Disponibilité globale actée pour Docker sur Apple Silicon. Tout n'est pas encore réuni pour exploiter…

22 heures ago

Salesforce France : la vague de départs culmine avec le DG

Salesforce France s'est séparé de son directeur général, dans la lignée de départs au sein…

24 heures ago

SAP, Siemens, SonicWall… Les alertes sécurité de la semaine

Quels logiciels faut-il penser à patcher ? Tour d’horizon sur la base des avis de…

4 jours ago