Actualité Découvrez Neural Structured Learning, le nouveau framework TensorFlow pour les données structurées

Pour approfondir le sujet

Replay : Conférence de Laurence Devillers, Les enjeux éthiques de l’intelligence artificielle à AI for Tomorrow

Du 21 mai au 12 juillet 2020 se tient le cycle de webinars d'AI for Tomorrow. À cette occasion, Laurence Devillers (Professeur d'intelligence artificielle...

Machine Learning : Google, Baidu, Intel, Harvard, Stanford et Berkeley lancent MLPerf, un outil de mesure de performances

Plusieurs entreprises dont Google, Intel et Baidu et chercheurs viennent d'annoncer le lancement de MLPerf, un nouvel outil de mesure de performances (benchmark). Il aide les...

Grâce au Lifelong Learning et au projet LIHLITH, Synapse cherche à améliorer les capacités d’auto-apprentissage des IA

Machine learning, Deep learning, apprentissage supervisé ou non-supervisé, de nombreux projets cherchent à améliorer les techniques d'apprentissage des intelligences artificielles. La start-up toulousaine Synapse...

Logistique : Le groupe BMW, en collaboration avec NVIDIA, développe des robots autonomes avec une capacité de coordination avancée

Le Groupe BMW a annoncé développer à l'avenir davantage l'utilisation de la technologie informatique de haute performance, en particulier l'intelligence artificielle, en ce qui...

Découvrez Neural Structured Learning, le nouveau framework TensorFlow pour les données structurées

Google a lancé un nouveau framework pour TensorFlow baptisé NSL (Neural Structured Learning). Open source, cet outil pour les chercheurs et développeurs en machine learning est adapté aux données structurées telles que des graphes pour l’entraînement de réseaux neuronaux profonds.

Présenté sur Medium et sur le site de TensorFlow, le framework NSL fonctionne avec la plateforme de machine learning TensorFlow. Il est destiné aussi bien aux débutants en la matière qu’aux chercheurs ayant une plus vaste expérience. Ce nouvel outil permet de générer des modèles, d’effectuer des tâches d’entraînement et prédiction à partir de données structurées, telles que celles que l’on peut trouver au sein des graphs de connaissances. Le Neural Structured Learning framework permet de faire de l’apprentissage supervisé, semi-supervisé et non-supervisé.

En tirant parti de la structure des données (et donc les relations entre elles) en plus des features (caractéristiques isolées de chaque échantillon d’un jeu de données) traditionnellement exploitées, l’outil permet d’obtenir de meilleures performances, surtout lorsque peu de données labellisées sont disponibles.

tensorflow

Ce traitement supplémentaire n’a bien sûr aucun impact sur la vitesse d’exécution des tâches d’inférence, puisque les relations sont traitées uniquement lors de l’entraînement.

Da-Cheng Juan et Sujith Ravi, qui ont tous deux travaillé à son développement, ont annoncé le lancement de NSL et indiqué que le fait de “tirer parti des signaux structurés au cours de l’apprentissage permet aux développeurs d’obtenir une plus grande précision dans les modèles. Plus précisément, lorsque la quantité de données étiquetées est relativement faible. L’entraînement avec des signaux structurés conduit également à des modèles plus robustes. Ces techniques ont été largement utilisées dans Google pour améliorer les performances des modèles, comme l’apprentissage de l’intégration sémantique d’images”.

TensorFlow2Comme l’indiquent les deux scientifiques, NSL permet aux développeurs de structurer, avec beaucoup moins de code les données ainsi que les API pour la création de réseaux adverses. Le framework comprend des APIs et des outils pour l’entraînement des modèles avec des données structurées:

  • Les APIs Keras pour permettre un entraînement avec des graphes (structure explicite) et des perturbations contradictoires (structure implicite).
  • Fonctions pour permettre l’entraînement avec structure lors de l’utilisation des APIs TensorFlow de niveau inférieur.
  • Outils pour construire des graphiques et construire des inputs de graphique pour l’entraînement.

Grâce à NSL, le modèle est obligé d’apprendre des prévisions précises tout en maintenant la similarité entre les entrées d’une même structure. Cette technique est générique et peut être appliquée à des architectures neuronales arbitraires.

Thomas Calvi

Partager l'article

Suisse : L’Université de Neuchâtel et l’Office fédéral de la statistique collaborent sur la science des données et les méthodes statistiques

La science des données et les méthodes statistiques sont au coeur de la collaboration entre l’Université de Neuchâtel (UniNE) et l’Office fédéral de la...

Des chercheurs présentent Geomic, une méthode d’apprentissage automatique basée sur la géométrie des données génomiques pour la maladie de Huntington

Maladie héréditaire et rare, la maladie de Huntington touche environ 6000 personnes en France. Elle se traduit par une dégénérescence neurologique provoquant d’importants troubles...

Un quart des entreprises déclarent adopter l’IA à grande échelle selon l’étude IA Predictions 2021 de PwC

La complexité du contexte sanitaire et économique a posé la question de l'adoption de l'intelligence artificielle. Selon une étude de PwC, les investissements en...

Appel à communications : Rencontres des Jeunes Chercheurs en Intelligence Artificielle

Du 28 juin au 2 juillet aura lieu l'édition 2021 de la Plate-Forme Intelligence Artificielle (PFIA'2021) à Bordeaux. À cette occasion seront également organisées...