Les méthodes d’apprentissage profond connaissent une croissance fulgurante. Une explication de ce phénomène est l’essor de la puissance de calcul combiné à l’accessibilité de données
en grande quantité. Néanmoins, plusieurs applications de la vie réelle présentent des difficultés: la disponibilité et la qualité des données peuvent être faibles, l’étiquetage des données
peut être ardu, etc. Dans ce mémoire, nous examinons deux contextes : celui des données
limitées et celui du modèle économique CATS. Pour pallier les difficultés rencontrées dans
ces contextes, nous utilisons des modèles d’apprentissage profond pour images avec structure
additionnelle. Dans un premier temps, nous examinons les réseaux de scattering et étudions
leur version paramétrée sur des petits jeux de données. Dans un second temps, nous adaptons les modèles de diffusion afin de proposer une alternative aux modèles à base d’agents
qui sont complexes à construire et à optimiser. Nous vérifions empiriquement la faisabilité
de cette démarche en modélisant le marché de l’emploi du modèle CATS.
Nous constatons tout d’abord que les réseaux de scattering paramétrés sont performants
sur des jeux de données de classification pour des petits échantillons de données. Nous
démontrons que les réseaux de scattering paramétrés performent mieux que ceux non paramétrés, c’est-à-dire les réseaux de scattering traditionnels. En effet, nous constatons que des
banques de filtres adaptés aux jeux de données permettent d’améliorer l’apprentissage. En
outre, nous observons que les filtres appris se différencient selon les jeux de données. Nous
vérifions également la propriété de robustesse aux petites déformations lisses expérimentalement.
Ensuite, nous confirmons que les modèles de diffusion peuvent être adaptés pour modéliser le marché de l’emploi du modèle CATS dans une approche d’apprentissage profond.
Nous vérifions ce fait pour deux architectures de réseau de neurones différentes. De plus,
nous constatons que les performances sont maintenues pour différents scénarios impliquant
l’apprentissage avec une ou plusieurs séries temporelles issues de CATS, lesquelles peuvent
être tirées à partir d’hyperparamètres standards ou de perturbations de ceux-ci. / Deep learning methods are booming. An explanation of this phenomenon is the rise of
computing power combined with the accessibility of large data quantity. Nevertheless, several
real-life applications present difficulties: the availability and quality of data can be low, data
labeling can be tricky, etc. In this thesis, we examine two contexts: that of limited data
and that of the CATS economic model. To overcome the difficulties encountered in these
contexts, we use deep learning models for images with additional structure. First, we examine
scattering networks and study their parameterized version on small datasets. In a second
step, we adapt diffusion models in order to propose an alternative to agent-based models
which are complex to build and to optimize. We empirically verify the feasibility of this
approach by modeling the labor market of the CATS model.
We first observe that the parameterized scattering networks perform well on classification
datasets for small samples of data. We demonstrate that parameterized scattering networks
perform better than those not parametrized, i.e. traditional scattering networks. Indeed, we
find that filterbanks adapted to the datasets make it possible to improve learning. Moreover,
we observe that the learned filters differ according to the datasets. We also verify the property
of robustness to small smooth deformations experimentally..
Then, we confirm that diffusion models can be adapted to model the labor market of
the CATS model in a deep learning approach. We verify this fact for two different neural
network architectures. Moreover, we find that performance is maintained for different scenarios involving training with one or more time series from CATS, which can be derived
from standard hyperparameters or perturbations thereof.
| Identifer | oai:union.ndltd.org:umontreal.ca/oai:papyrus.bib.umontreal.ca:1866/32008 |
| Date | 05 1900 |
| Creators | Alsène-Racicot, Laurent |
| Contributors | Wolf, Guy |
| Source Sets | Université de Montréal |
| Language | fra |
| Detected Language | French |
| Type | thesis, thèse |
| Format | application/pdf |
Page generated in 0.0033 seconds