Exploration de la faisabilité des méthodes formelles en apprentissage automatique et intelligence artificielle
Year: 2024
Type: preprint
Abstract: Cette étude examine l'application des méthodes formelles pour garantir l'exactitude et la fiabilité des systèmes d'apprentissage automatique. Les approches formelles traditionnelles se sont avérées efficaces pour garantir la correction des systèmes matériels et logiciels. Dans ce travail, nous nous concentrons spécifiquement sur la vérification et la validation des systèmes d'apprentissage automatique à l'aide des méthodes formelles de pointe. Pour commencer, nous fournissons un aperçu concis des approches formelles existantes, en mettant en évidence leur importance et leurs avantages. Ensuite, nous nous penchons sur les méthodes formelles spécifiques qui ont été développées pour valider les étapes cruciales de la préparation des données et de l'entraînement dans les systèmes d'apprentissage automatique. Ces méthodes visent à garantir que les données d'entrée sont traitées de manière appropriée et que le processus d'entraînement produit des modèles précis et fiables. Ensuite, nous explorons les méthodes formelles utilisées pour la vérification complète des systèmes d'apprentissage automatique. Cela implique de prendre en compte des techniques partielles et exhaustives pour évaluer de manière approfondie le comportement et les performances du système. De plus, nous examinons en détail les travaux de recherche consacrés à la vérification des machines à vecteurs de support et des ensembles d'arbres de décision, car ce sont des algorithmes d'apprentissage automatique courants avec des applications répandues. En conclusion, sur la base de nos résultats, nous proposons plusieurs orientations futures potentielles pour la vérification formelle des systèmes d'apprentissage automatique. Ces orientations englobent des domaines tels que le développement de méthodes formelles améliorées adaptées à des types spécifiques de modèles d'apprentissage automatique, l'intégration de techniques formelles dans les frameworks d'apprentissage automatique existants et l'exploration de techniques pour gérer l'incertitude et la complexité inhérentes aux systèmes d'apprentissage automatique. En poursuivant ces voies, nous visons à faire progresser le domaine de la vérification formelle et à contribuer au déploiement fiable des technologies d'apprentissage automatique.
Source: HAL
Author: Krichen, Moez
Language: French
Subfield: Computational Theory and Mathematics
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W4390870455
