Apprentissage budgétaire basé sur les arbres équivalents et l'algorithme génétique : application à l'incorporation d'algorithmes de détection de chutes.

Résumé L'apprentissage budgétaire est un domaine de recherche d'un intérêt croissant qui vise à inclure les contraintes de ressources du monde réel dans la conception des modèles d'apprentissage automatique, principalement pour réduire le temps de prédiction de l'environnement réel. Une façon courante de le faire est de modifier un modèle d'apprentissage automatique pré-entraîné, afin de s'adapter aux contraintes de temps de prédiction tout en conservant au mieux la qualité de prédiction du modèle. Cependant, dans ce cas, la performance de ce type de méthodes dépend de la structure du modèle pré-entraîné. Pour surmonter cette dépendance, nous proposons d'aborder le problème de l'optimisation budgétisée, en utilisant des modèles équivalents avec des structures différentes et donc des coûts de calcul différents. La contribution de ce travail est de proposer un algorithme génétique pour diminuer le temps de prédiction des classifieurs de forêt aléatoire, en utilisant des arbres de décision équivalents. La première étape de notre méthode consiste à construire, à partir d'une forêt aléatoire pré-entraînée, une population initiale de forêts aléatoires, qui partagent la même fonction de décision mais ont des structures différentes. Ensuite, une opération de réduction du génome, est appliquée de manière itérative sur les individus via des mutations basées sur l'élagage. Nos expériences montrent un impact important de l'utilisation d'arbres de décision équivalents sur les solutions de forêts aléatoires atteignables avec un temps de prédiction budgété. Les résultats obtenus sur des données synthétiques constituées de clusters de forme gaussienne et sur un jeu de données industriel réel de détection de chute, plaident pour l'utilisation de modèles de forêt aléatoire équivalents dans l'apprentissage budgétaire.