Garanties analytiques pour l’apprentissage profond basé sur RFF sans hyperparamètre dans le régime de faibles données
Abstract or Summary
L’apprentissage en profondeur s’est révélé prometteur pour diverses tâches de traitement du signal concernant la prochaine génération de systèmes de communication, l’internet des objets (IoT) et la conception de circuits. Cependant, les méthodes de traitement du signal basées sur la DL sont bien connues pour nécessiter de grands ensembles de données afin d’obtenir une bonne généralisation. En outre, les solutions existantes basées sur la DL sont connues pour leur sensibilité aux choix d’hyperparamètres et à l’architecture DL. À cet égard, les paradigmes DL existants, tels que le méta-apprentissage, sont utiles pour trouver des valeurs d’hyperparamètres et des architectures optimales. Dans ce travail, des résultats analytiques généralisés sont fournis pour la DL basée sur les caractéristiques de Fourier aléatoires (RFF-DL) qui garantissent un certain degré d’indépendance des hyperparamètres et une généralisation significativement améliorée dans les applications à données limitées. Les avantages de RFF-DL promis par les contributions analytiques présentées sont validés par une étude de cas qui améliore l’entraînement à faible pilote pour l’IdO de la prochaine génération en utilisant la DL basée sur RFF sans hyperparamètre.
