Différences
Ci-dessous, les différences entre deux révisions de la page.
| Les deux révisions précédentes Révision précédente Prochaine révision | Révision précédente | ||
|
groupe-dfo-bbo:acteurs:students:master:renaud-saltet:main-page [2020/09/15 19:24] saltrena |
groupe-dfo-bbo:acteurs:students:master:renaud-saltet:main-page [2021/10/27 17:46] (Version actuelle) saltrena |
||
|---|---|---|---|
| Ligne 3: | Ligne 3: | ||
| Contact : <[email protected]> \\ | Contact : <[email protected]> \\ | ||
| - | ==== Projet : interprétation statistique d'un ensemble de substituts en optimisation de boîtes noires ==== | + | ==== Projet : Quantification de l'incertitude avec un ensemble de substituts pour l'optimisation de boîtes noires ==== |
| [[.:projet:avancement|Avancement du projet]] | [[.:projet:avancement|Avancement du projet]] | ||
| Ligne 9: | Ligne 9: | ||
| En optimisation de boîtes noires, l'utilisation de //modèles substituts// est une méthode bien établie. Un modèle substitut est censé imiter le comportement de la boîte noire. Il permet donc de guider la résolution du problème tout en étant moins coûteux en temps de calcul. En un point inconnu de l'espace de recherche, certains modèles fournissent non seulement une prédiction mais aussi une estimation de l'incertitude sur cette prédiction, ce qui est une information précieuse. Ces modèles sont dits //stochastiques//, à l'inverse des modèles déterministes qui ne permettent pas de quantifier l'incertitude.\\ | En optimisation de boîtes noires, l'utilisation de //modèles substituts// est une méthode bien établie. Un modèle substitut est censé imiter le comportement de la boîte noire. Il permet donc de guider la résolution du problème tout en étant moins coûteux en temps de calcul. En un point inconnu de l'espace de recherche, certains modèles fournissent non seulement une prédiction mais aussi une estimation de l'incertitude sur cette prédiction, ce qui est une information précieuse. Ces modèles sont dits //stochastiques//, à l'inverse des modèles déterministes qui ne permettent pas de quantifier l'incertitude.\\ | ||
| - | Il est courant d'utiliser plusieurs modèles déterministes pour la résolution d'une même boîte noire afin de bénéficier des avantages de chacun. Cependant, de telles méthodes ne permettent pas de quantifier l'incertitude d'une prédiction à un point inconnu. La méthode proposée tente de remédier à cela en fournissant une incertitude malgré le caractère déterministes des modèles. Cette mesure de l'incertitude sera ensuite exploitée de différentes façons pour guider la résolution du problème. | + | Il est courant d'utiliser plusieurs modèles déterministes pour la résolution d'une même boîte noire afin de bénéficier des avantages de chacun. Cependant, de telles méthodes ne permettent pas de quantifier l'incertitude d'une prédiction à un point inconnu. La méthode proposée tente de remédier à cela en fournissant une incertitude malgré le caractère déterministes des modèles. Cette mesure de l'incertitude est ensuite exploitée de différentes façons pour guider la résolution du problème. |
| + | |||
| + | |||
| + | Article : [[http://www.optimization-online.org/DB_HTML/2021/07/8489.html|Cahier du GERAD]] [[https://arxiv.org/abs/2107.04360|Arxiv]] | ||