La conférence ICANN 2010 est maintenant terminée depuis quelques jours. J’ai pu y présenter mes résultats mais surtout, j’ai eu la chance d’assister à un panel très important de présentations de qualités qui m’ont permis de me mettre à jour sur le domaine l’intelligence artificiel.
De icann 2010 |
Parmis ce que j’ai trouvé le plus marquant, je peux citer :
- l’utilisation conjointe des réseaux de neurones et des algorithmes génétiques,
- des méthodes très interressantes de « décomposition de domaine » qui font partie de la thématique de « Feature Selection & Dimensionality Reduction »
- et surtout des avancées interessantes dans l’utilisation des « kernels machines »..
Je regrette toute fois des sessions « poster » trop « rigides » en durée et qui surtout sont détachés en fin de session ce qui gachent un peu l’intérêt des posters.
Très bonne conférence pour moi, et en ce qui concerne Thessalonik, c’est une très jolie ville, qui mérite le détour.
[ad#Google Adsense]
Mon article :
Efficient Domain Decomposition for a Neural Network Learning Algorithm, Used for the Dose Evaluation in External Radiotherapy. Marc Sauget, Rémy Laurent, Julien Henriet, Michel Salomon, Régine Gschwind, Sylvain Contassot-Vivier, Libor Makovicka, and Charles Soussen
LNCS 6352, p. 261-266, ICANN 2010.
Abstract : The purpose of this work is to further study the relevance of accelerating the Monte Carlo calculations for the gamma rays external radiotherapy through feed-forward neural networks. We have previously presented a parallel incremental algorithm that builds neural networks of reduced size, while providing high quality approximations of the dose deposit. Our parallel algorithm consists in a regular decomposition of the initial learning dataset (also called learning domain) in as much subsets as available processors. However, the initial learning set presents heterogeneous signal complexities and consequently, the learning times of regular subsets are very different. This paper presents an efficient learning domain decomposition which balances the signal complexities across the processors. As will be shown, the resulting irregular decomposition allows for important gains in learning time of the global network.