Enhancing Aquatic Species Classification: Integration of Prior Knowledge into AI models for Improved Accuracy
Deep learning models have achieved great success in pattern recognition and classification tasks. However, sometimes they can struggle with small datasets, noisy data, as well as face challenges related to robustness, interpretability, and adherence to physical constraints or commonsense reasoning. In those cases, it is possible to improve the models by additionally incorporating prior knowledge into the learning process. This leads to the notion of Informed Machine Learning (IML).
IML proposes a combination of data-driven neural networks with knowledge-based approaches, leveraging the strengths of both: the learning ability of neural networks and the additional insights provided by prior knowledge.
In this talk I will introduce this framework, briefly explain possible approaches to modifying the model to incorporate additional information, and finally, I will present a practical example where I apply some of these methods to classify zooplankton images into different species.
IML proposes a combination of data-driven neural networks with knowledge-based approaches, leveraging the strengths of both: the learning ability of neural networks and the additional insights provided by prior knowledge.
In this talk I will introduce this framework, briefly explain possible approaches to modifying the model to incorporate additional information, and finally, I will present a practical example where I apply some of these methods to classify zooplankton images into different species.
Amélioration de la classification des espèces aquatiques : intégration des connaissances antérieures dans les modèles d'IA pour une précision supérieure
Les modèles d'apprentissage profond ont connu un grand succès dans les tâches de reconnaissance des formes et de classification. Cependant, ils peuvent parfois rencontrer des difficultés avec de petits ensembles de données, des données bruitées, ainsi que des défis liés à la robustesse, à l'interprétation et à l'adhésion à des contraintes physiques ou à un raisonnement de sens commun. Dans ces cas, il est possible d'améliorer les modèles en incorporant des connaissances antérieures dans le processus d'apprentissage. C'est ainsi qu'est née la notion d'apprentissage automatique informé (IML).
IML propose une combinaison de réseaux de neurones pilotés par les données et d'approches basées sur les connaissances, en tirant parti des forces des deux : la capacité d'apprentissage des réseaux neuronaux et les informations supplémentaires fournies par les connaissances antérieures.
Dans cet exposé, je présenterai ce cadre, puis expliquerai brièvement les approches possibles pour modifier le modèle afin d'intégrer des informations supplémentaires et, enfin, je présenterai un exemple pratique dans lequel j'applique certaines de ces méthodes pour classer des images de zooplancton en différentes espèces.
IML propose une combinaison de réseaux de neurones pilotés par les données et d'approches basées sur les connaissances, en tirant parti des forces des deux : la capacité d'apprentissage des réseaux neuronaux et les informations supplémentaires fournies par les connaissances antérieures.
Dans cet exposé, je présenterai ce cadre, puis expliquerai brièvement les approches possibles pour modifier le modèle afin d'intégrer des informations supplémentaires et, enfin, je présenterai un exemple pratique dans lequel j'applique certaines de ces méthodes pour classer des images de zooplancton en différentes espèces.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English