Commit 745f7332 authored by JulesKzl's avatar JulesKzl
Browse files

Bibtex papier 7, Portfolios mis à jour et completé

parent f7767e6c
......@@ -115,11 +115,16 @@
year = {2008},
}
@article{loreggia2015deep,
@conference{loreggia2015deep,
title={Deep Learning for Algorithm Portfolios},
author={Loreggia, Andrea and Malitsky, Yuri and Samulowitz, Horst and
Saraswat, Vijay},
year={2015}
booktitle={Proc. of AAAI’16},
pages={1280–1286},
month={february},
year={2016},
abstract={
It is well established that in many scenarios there is no single solver that will provide optimal performance across a wide range of problem instances. Taking ad- vantage of this observation, research into algorithm se- lection is designed to help identify the best approach for each problem at hand. This segregation is usually based on carefully constructed features, designed to quickly present the overall structure of the instance as a constant size numeric vector. Based on these features, a plethora of machine learning techniques can be utilized to pre- dict the appropriate solver to execute, leading to sig- nificant improvements over relying solely on any one solver. However, being manually constructed, the cre- ation of good features is an arduous task requiring a great deal of knowledge of the problem domain of in- terest. To alleviate this costly yet crucial step, this paper presents an automated methodology for producing an informative set of features utilizing a deep neural net- work. We show that the presented approach completely automates the algorithm selection pipeline and is able to achieve significantly better performance than a sin- gle best solver across multiple problem domains.},
}
......
......@@ -535,7 +535,7 @@ Deux façons d'encoder ces formules dans des graphes sont présentées:
\subsection{Résultats sur des réseaux de neurones}
\section{\SAT~Solving avec des réseaux de neurones}
\section{\SAT~Solving avec des réseaux neuronaux}
\subsection{Déroulement des recherches}
......@@ -551,7 +551,7 @@ Il s'agit d'un papier publié en 2016 par Andrea Loreggia, Yuri Malitsky, Horst
Dans la plupart des cas, il semble vain de trouver un algorithme qui sera efficace sur un très large spectre de problèmes. D'où l'intérêt de combiner plusieurs solver en un seul, le portfolio. Sur une instance donnée, le portfolio donnera le meilleur \SAT~Solver pour cette instance.
On souhaite ainsi apprendre à notre algorithme quel \SAT~Solver solver utiliser et cela grâce à un réseau de neurones.
On souhaite ainsi apprendre à notre algorithme quel \SAT~Solver solver utiliser et cela grâce à un réseau neuronal.
\subsubsection{Représentation des données}
......@@ -592,17 +592,17 @@ Il s'agit d'un papier publié en 2016 par Andrea Loreggia, Yuri Malitsky, Horst
\subsubsection{Utilisation d'un réseau neuronal}
Un réseau neuronal artificiel est un ensemble d'algorithmes inspiré du fonctionnement des neurones biologiques. Un type particulier de réseau de neurones sont les réseaux de neurones convolutifs où le motif de connexion entre les neurones est ici plus particulièrement inspiré par le cortex visuel des animaux.
Un réseau neuronal artificiel est un ensemble d'algorithmes inspiré du fonctionnement des neurones biologiques. Un type particulier de réseau neuronal sont les réseaux neuronaux convolutifs où le motif de connexion entre les neurones est ici plus particulièrement inspiré par le cortex visuel des animaux.
Les réseaux neuronaux convolutifs sont très largement utilisés pour la classification d'image.\\
\begin{figure}[H]
\begin{center}
\includegraphics[scale=0.5]{images/reseau_de_neurone.png}
\end{center}
\caption{Réseau de neurone utilisé dans notre portfolio}
\caption{Réseau neuronal utilisé dans notre portfolio}
\end{figure}
Le réseau de neurones utilisé pour notre portfolio se compose de trois couches de convolution suivis chacune d'une couche de Pooling et une couche de drop-out auxquels succèdent
Le réseau neuronal utilisé pour notre portfolio se compose de trois couches de convolution suivis chacune d'une couche de Pooling et une couche de drop-out auxquels succèdent
deux couches entièrement connectées avec une couche de drop-out au milieu. \\
Malheureusement la tâche de classification, i.e. prédire le meilleur \SAT~Solver pour une instance donnée) obtient de mauvais résultats. Les auteurs du papier ont donc choisi un réseau effectuant une simple régression qui prédit simplement quel \SAT~Solver peut résoudre l'instance donnée ou non.
......@@ -625,7 +625,7 @@ deux couches entièrement connectées avec une couche de drop-out au milieu. \\
\item CSHC est le \textit{state of the art} en portoflio de \SAT~Solver, utilisant des méthodes classiques.
\item BSS pour \textit{best single solver} est le meilleur \SAT~Solver (en moyenne) sur l'ensemble d'entrainement.
\item CNN est le portoflio développé dans l'article.
\item New Feat est un raffinement de CNN dans lequel on étudie le vecteur de sortie du réseau de neurone pour affiner notre choix de \SAT~Solver.\\
\item New Feat est un raffinement de CNN dans lequel on étudie le vecteur de sortie du réseau neuronal pour affiner notre choix de \SAT~Solver.\\
\end{itemize}
......@@ -648,7 +648,7 @@ deux couches entièrement connectées avec une couche de drop-out au milieu. \\
Quelques autres pistes à explorer :
\begin{itemize}
\item Le redimensionnement de l'image est effectué de manière automatique. Il pourrait être intégré dans le processus de deep learning.
\item Utiliser les réseaux de neurones pour résoudre directement les problèmes combinatoires.
\item Utiliser les réseaux neuronaux pour résoudre directement les problèmes combinatoires.
\item Utiliser les portfolios pour d'autres tâches comme l'Opinion mining (l'analyse des sentiments à partir de sources textuelles dématérialisées sur de grandes quantités de données (big data).
\end{itemize}
......
Markdown is supported
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment