Grant: Engage Grants Program
Université Laval
$25,000.00
Évaluation de l'incertitude épistémique en apprentissage profond**
EF 2018-19
Résumé
En aviation civile, le développement de produits exige une grande confiance envers le comportement des systèmes embarqués sur les aéronefs, ce qui exige fréquemment la collecte de grandes quantités de données d'essais en vol. Par des simulations numériques des systèmes en question, il est possible d'accélérer et réduire le risque de ce processus d'évaluation. Les récentes avancées en intelligence artificielle permettent maintenant d'entraîner rapidement des modèles pertinents par l'observation des systèmes. Ceci permet de réduire de façon importante le temps de développement par rapport à la réalisation d'un modèle classique, lesquels nécessite généralement la modélisation explicite et détaillée des phénomènes physique aux moyens d'équations différentielles. L'efficacité du développement des modèles par l'intelligence artificielle s'accompagne également de nouveaux défis, en particulier la quantification de l'incertitude du modèle appris. Ce projet de recherche vise à explorer comment modéliser correctement l'incertitude d'un modèle appris par un réseau de neurones profond, afin de quantifier le niveau de confiance à accorder à ses prédictions. Plus particulièrement, il sera question de développer un cadre méthodologique Bayésien permettant d'estimer l'incertitude épistémique d'un réseaux de neurones profond, et ainsi garantir une utilisation sécuritaire de l'intelligence artificielle pour l'entraînement de modèles.
Programme
Engage Grants Program
Bénéficiaire
Emplacement
Quebec, Canada
Type de bénéficiaire
Academia
Type
Grant
Source
NSERC's Awards Data
Tel que publié
Application id
536594-2018
Name nom
Laviolette, François
Department département
Informatique et de génie logiciel
Organization id
51
Institution établissement
Université Laval
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2018
Competition year année de concours
2018
Award amount
25000
Program id
EGP
Program name en
Engage Grants Program
Program name fr
Programme de subventions d'engagement partenariat
Group en
Research partnerships programs
Group fr
Programmes de partenariat
Committee code
1552
Committee name en
Quebec Internal Decision Committee
Committee name fr
Comité de décision interne pour le Québec
Area of application code
703
Area of application group en
Transportation systems and services
Area of application group fr
Services et systèmes de transport
Area of application en
Aerospace
Area of application fr
Aérospatial
Research subject code
2805
Research subject group en
Artificial intelligence
Research subject group fr
Intelligence artificielle
Research subject en
Learning and inference theories
Research subject fr
Théories de l'apprentissage et l'inférence
Partie
1
Nb partie
1
Application title
Évaluation de l'incertitude épistémique en apprentissage profond**
Keyword
NSERC
Application summary
En aviation civile, le développement de produits exige une grande confiance envers le comportement des systèmes embarqués sur les aéronefs, ce qui exige fréquemment la collecte de grandes quantités de données d'essais en vol. Par des simulations numériques des systèmes en question, il est possible d'accélérer et réduire le risque de ce processus d'évaluation. Les récentes avancées en intelligence artificielle permettent maintenant d'entraîner rapidement des modèles pertinents par l'observation des systèmes. Ceci permet de réduire de façon importante le temps de développement par rapport à la réalisation d'un modèle classique, lesquels nécessite généralement la modélisation explicite et détaillée des phénomènes physique aux moyens d'équations différentielles. L'efficacité du développement des modèles par l'intelligence artificielle s'accompagne également de nouveaux défis, en particulier la quantification de l'incertitude du modèle appris. Ce projet de recherche vise à explorer comment modéliser correctement l'incertitude d'un modèle appris par un réseau de neurones profond, afin de quantifier le niveau de confiance à accorder à ses prédictions. Plus particulièrement, il sera question de développer un cadre méthodologique Bayésien permettant d'estimer l'incertitude épistémique d'un réseaux de neurones profond, et ainsi garantir une utilisation sécuritaire de l'intelligence artificielle pour l'entraînement de modèles.