DREAM NET : un modèle d'apprentissage incrémental embarqué inspiré de la mémoire humaine

La recherche d’algorithmes d’apprentissage incrémental voire tout au long de la vie est cruciale car l’un des grands verrous actuels de l’apprentissage profond, à savoir l’oubli catastrophique n’est toujours pas résolu. En effet, lorsqu’un réseau de neurones artificiels apprend une nouvelle information, ses poids synaptiques s’ajustent à cette information, oubliant les informations apprises précédemment. Pour surmonter cette question, la bio-inspiration est intéressante et permet des approches en rupture. Les travaux présentés porteront donc sur le modèle développé dans les années 90 par Bernard Ans et Stéphane Rousset, auquel quelques modifications ont été apportées pour l’adapter aux bases de données classiques en vision par ordinateur (MNIST, CIFAR, IMAGENET,)