Nouvelle analyse en Le Journal Physique Européen E (EPJ E) montre comment une approche « d'apprentissage curriculaire », qui structure soigneusement les données utilisées pour former des modèles de systèmes complexes, peut améliorer considérablement leurs résultats, sans s'appuyer sur des principes d'apprentissage automatique supplémentaires.

En structurant soigneusement les données utilisées pour former des modèles de systèmes complexes en tirant parti de la physique et de la théorie de l'information, les chercheurs peuvent améliorer considérablement la qualité de leurs prédictions, sans s'appuyer sur des principes supplémentaires de l'apprentissage automatique dans des situations où moins d'informations sur le système sont disponibles.

Les chercheurs sont désormais de plus en plus poussés à identifier et à modéliser les schémas mathématiques complexes trouvés dans les systèmes naturels complexes, où les interactions de nombreuses parties et sous-systèmes simples peuvent donner lieu à des schémas mathématiques profondément complexes. Aujourd'hui, l'apprentissage automatique est la technique la plus utilisée pour modéliser ces systèmes.

Grâce à une nouvelle analyse dans EPJ Eune équipe de recherche de l'Université Paris-Saclay montre comment une approche de "curriculum learning", qui structure soigneusement les données utilisées pour entraîner les modèles, peut améliorer significativement leurs résultats, sans s'appuyer sur des principes supplémentaires d'apprentissage automatique.

L'apprentissage automatique est une forme d'intelligence artificielle (IA) qui améliore sa capacité à modéliser les systèmes à mesure qu'il est exposé à plus d'informations à leur sujet, aidant les chercheurs à repérer des modèles cachés au plus profond des données. Lors de l'étude de systèmes complexes, cette approche devient plus difficile lorsque de grandes quantités de données d'observation ne sont pas disponibles : souvent en raison des coûts ou des difficultés techniques pour obtenir les informations.

La technique des chercheurs de Paris-Saclay repose sur l'idée que, comme les humains, les machines apprennent mieux si elles sont d'abord exposées à des situations plus simples, avant d'aborder des situations plus complexes plus loin dans le processus d'apprentissage. De cette manière, les informations utilisées pour former un modèle peuvent être structurées dans un programme soigneusement planifié. L'approche de l'équipe a fonctionné en évaluant d'abord la quantité de données nécessaires pour garantir un modèle précis, puis en étudiant l'impact de la structure d'un programme sur la fiabilité du modèle.

L'équipe a finalement montré qu'en structurant soigneusement son ensemble de données d'entraînement, la qualité des prédictions d'un modèle peut être considérablement améliorée, sans avoir besoin d'architectures de modèles plus complexes ou de principes supplémentaires issus de l'apprentissage automatique. Les informations recueillies par l'équipe pourraient conduire à de nouvelles approches de modélisation avancées, applicables dans des scénarios allant de la robotique et de la vision par ordinateur aux jeux vidéo et au traitement du langage.