RMDL : Apprentissage profond multimodal aléatoire pour la classification

L'augmentation constante du nombre de jeux de données complexes chaque année nécessite des méthodes d'apprentissage automatique de plus en plus performantes pour une classification robuste et précise de ces données. Cet article introduit le Random Multimodel Deep Learning (RMDL) : une nouvelle approche d'apprentissage profond par ensembles pour la classification. Les modèles d'apprentissage profond ont obtenu des résultats de pointe dans de nombreux domaines. Le RMDL résout le problème de la recherche de la meilleure structure et architecture d'apprentissage profond tout en améliorant simultanément la robustesse et la précision grâce à des ensembles d'architectures d'apprentissage profond. Le RMDL peut accepter comme entrée une variété de données, y compris du texte, des vidéos, des images et des données symboliques. Cet article décrit le RMDL et présente les résultats des tests sur des données d'images et de texte, notamment MNIST, CIFAR-10, WOS, Reuters, IMDB et 20newsgroup. Ces résultats montrent que le RMDL produit systématiquement de meilleures performances que les méthodes standard sur un large éventail de types de données et de problèmes de classification.