Search Results for « Réseaux neuronaux bayésiens »

Dans la cognition de l'action basée sur l'image, les caractéristiques temporelles sont utilisées de différentes manières pour identifier les activités. La modélisation temporelle est un défi de longue date pour le diagnostic de l'action. Cependant, il existe des méthodes limitées telles que les caractéristiques de mouvement précomputationnelles, les filtres 3D (3D) et les réseaux neuronaux récursifs (RNN) pour la modélisation des informations de mouvement dans des approches basées sur la profondeur. Plus récemment, le succès des transformateurs dans la modélisation des dépendances à long terme des tâches NLP (Natural Language Processing) a attiré beaucoup d'attention d'autres domaines, y compris la parole, l'image et la vidéo, et ce entièrement à leur attention, sans utiliser de séquences alignées de RNN ou de convolutions. Bien que l'utilisation de transformateurs pour diagnostiquer la pratique soit relativement récente, de nombreuses recherches ont été proposées sur ce sujet au cours des dernières années. Cet article examine en particulier les progrès récents des méthodes d'apprentissage en profondeur pour la modélisation des variations temporelles. Il se concentre sur les méthodes de détection de la pratique qui utilisent des transformateurs pour modéliser le temps, discute de leurs propriétés clés et des méthodes utilisées, et identifie les opportunités et les défis pour la recherche future.

À la frontière entre statistiques multivariées et intelligence artificielle, les réseaux bayésiens sont un puissant outil de modélisation de connaissance systémique. Une utilisation particulièrement intéressante est celle de la recherche des liens causaux entre variables dans une base de données. Dans cet article, nous analysons une base de données urbaines sur la mobilité quotidienne couvrant plus de cent grandes villes mondiales. À l'aide d'algorithmes de génération de réseaux bayésiens, nous avons produit deux réseaux reliant les variables et traduisant deux hypothèses différentes sur la hiérarchie causale entre elles. Si l’on introduit l’hypothèse que la mobilité détermine la structure urbaine, on crée alors un réseau qui identifie la motorisation de la population comme étant une variable cruciale. Ce réseau s’avère plus probable que celui résultant de l’hypothèse opposée. En revanche, les deux réseaux concordent sur l’importance de l’offre de voirie rapide urbaine et de la vitesse moyenne du réseau routier dans l’explication du partage modal et des coûts et des externalités des transports urbains.