Room 206 (2nd floor, badged access)
2 April 2026 - 14h00
Approche formelle Générique de Transfert Learning (GTL) dans le continuum CEI
by Mohamed Graiet from directeur de l'ISIM Monastir, Tunisie
invited by David MONNIAUX
2 April 2026 - 14h00
Approche formelle Générique de Transfert Learning (GTL) dans le continuum CEI
by Mohamed Graiet from directeur de l'ISIM Monastir, Tunisie
invited by David MONNIAUX
Résumé : L'une des technologies qui devient incontournable dans le continuum CEI (Cloud, Edge, Iot) est l'apprentissage automatique (Machine Learning). En raison de l'avancement de la recherche dans ce domaine, les algorithmes Machine Learning nécessitent une capacité de calcul considérable, ce qui est problématique dans les couches inférieures (IoT et couche périphérique dans certains scénarios) . En parallèle, de nombreuses solutions ont été proposées pour traiter ce problème et rendre le Machine Learning plus efficace et robuste tel que le transfert d'apprentissage (TL).
Une autre préoccupation critique dans le continuum est la confidentialité des données, où chaque couche peut gérer ses propres données qui doivent être privées localement, ainsi, aucune donnée ne peut être échangée entre les couches. Dans ce contexte, les algorithmes ML seront limités dans chaque couche en termes de données et de capacité de calcul.
La différence entre les algorithmes ML rend le transfert d'apprentissage d'un domaine à un autre différent selon la méthode d'apprentissage des deux domaines. Ainsi, de nombreuses méthodes TL existent et chacune d'elles est spécialisée pour une classe de modèles ML. Le choix de la méthode TL est basé sur la connaissance du type de méthode d'apprentissage des deux domaines (domaine source et domaine cible). En d'autres termes, pour chaque apprentissage par transfert, une bonne méthode de TL doit être choisie en fonction des modèles des domaines source et cible (selon la classe de leur méthode d'apprentissage), ce qui complique le processus de TL et rend les méthodes de TL qui existent moins générique pour différents modèles de ML.
Pour faire face à ce problème, nous proposons une méthode formelle générique d'apprentissage par transfert (GTL) qui peut être une version générale de différentes méthodes TL utilisées dans le continuum Cloud-Edge-IoT. En apprentissage par transfert inter-domaines, où les connaissances sont transférées d'un domaine à un autre, il est important de vérifier certaines propriétés (Compatibilité des domaines, Cohérence des modèles, Transférabilité des caractéristiques, Généralisation des modèles, Robustesse des modèles) pour éviter le transfert négatif, qui se produit lorsque les connaissances transférées affectent les performances du domaine cible de manière négative. De même il est important de vérifier certaines propriétés (Similarité de tâche, Disponibilité des données, Adaptabilité du modèle, Efficacité d'apprentissage) pour éviter le transfert inefficace.
M. Mohamed GRAIET est un candidat potentiel sur le poste PR IA de confiance Verimag/Ensimag.
