Apprentissage en Profondeur Dépendant du Contexte

La représentation explicite du contexte d’un agent a montré avoir de nombreux avantages, qui devraient aussi pouvoir s’appliquer à l’apprentissage symbolique (CDDL). Dans ce papier nous décrivons une approche pour faire ceci qui est appelée apprentissage en profondeur dépendant du contexte. Cette approche est basée sur des travaux antérieurs sur le comportement médiatisé par le contexte qui utilise des schémas contextuels (c-schémas) pour représenter des classes de représentations avec les connaissances utiles pour elles. Ces c-schémas sont rappe-lés pour guider le raisonnement dans les contextes correspondant. CDDL stocke les connaissances sur la structure du réseau neuronal profond et des pondérations dans les c-schémas, connaissances qui permettent un apprentissage contextualisé spécifique. Ce travail est réalisé dans le domaine de la détection des oiseaux de mer sur des images aériennes d’iles pour des biologistes.

Explicitly representing an agent’s context has been shown to have many benefits, which should also apply to machine learning. In this paper, we describe an approach to do this called context-dependent deep learning (CDDL), which is based on earlier work in context-mediated behavior (CMB) that uses contextual schemas (c-schemas) to represent classes of situations along with knowledge useful in them. These c-schemas are then recalled and guide reasoning in the corresponding contexts. CDDL stores knowledge about deep neural network structure and weights in c-schemas, which allows context-specific learning. Our work is being developed in the domain of seabird detection in aerial images of islands for use by biologists.

Apprentissage profond réseaux de neurones comportement médiatisé par le contexte détection d’objets reconnaissance d’image

Deep learning Neural Networks context-mediated behavior object detection image recognition