Interprétation d’espaces de représentation: caractérisation de métriques quantitatives et recommandations

Résumé

Plusieurs ouvrages proposent des modèles d’apprentissage non supervisés permettant de découvrir une variété de représentations génériques d’un ensemble de données. Cependant, l’optimisation de la fonction objective de ces modèles n’assure pas l’obtention de représentations démêlées, soit explicitement utiles sur des tâches connexes ultérieures. Afin de comparer efficacement différentes représentations obtenues, une méthode pour mesurer quantitativement le démêlage est nécessaire. Diverses métriques appropriées à cette problématique ont été proposées. Cependant, il est observé qu’elles sont souvent incohérentes lorsqu’elles sont comparées l'une à l’autre ou comparées à l’évaluation subjective du praticien. Comparer les métriques s’avère difficile dans un contexte typique d’apprentissage de représentations, puisque la nature générique des représentations obtenues empêche de connaître avec certitude la réelle qualité des propriétés mesurées. Afin de rendre les métriques fiables, il est important de démystifier ces incohérences. Afin de remédier à ce problème, cet ouvrage propose de caractériser les métriques sur des représentations dont les propriétés représentatives sont connues. Une taxonomie est d’abord mise en place permettant d’identifier les similarités entre les métriques. Cette taxonomie n’est cependant pas suffisante pour comprendre le désaccord entre les métriques. Des propriétés de métriques désirables sont définies, et les scénarios proposés servent à procéder à la caractérisation en fonction de ces propriétés. Dans ce document, il est découvert que plusieurs métriques ont de la difficulté à correctement mesurer des propriétés dont elles devraient être capables de fournir des mesures. Nous identifions DCI comme la plus robuste à l’identification du démêlage selon la qualité explicite, la modularité et la compacité d’une représentation. Dans nos scénarios représentatifs expérimentaux, DCI évite plusieurs instabilités de causes diverses. DCI peut donc être utilisée sans crainte relativement à sa compatibilité à l’ensemble de données et la représentation dans laquelle le praticien désire y mesurer le démêlage. Finalement, nous discutons des différences clés entre les ensembles expérimentaux et réels de données ainsi que différentes considérations pratiques afin d’identifier de futures pistes d’amélioration.

Date	30 mai 2022
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Ghyslain Gagnon (Directeur(-trice))