[ИАД, 2026] Предзащита магистерских работ

[ИАД, 2026] Предзащита магистерских работ

par Machine Learning – Intelligent Systems

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine
🎙 Machine Learning – Intelligent Systems 👥 8K 📅 13 juin 2026 ⏱ 173 min 👁 330 📄 revue d'actualité 🧭 2026-08-16
Disponible en : Français (actuel) English

Mots-clés

mixture of expertssurrogate functionoptimal controlcatastrophic forgettingtheoretical guarantees

Résumé

Cette vidéo présente la pré-soutenance de trois mémoires de master en intelligence artificielle. Le premier travail, par Piotr Galkin, propose une méthode de recherche d’architecture pour les mélanges d’experts (MoE) utilisant une fonction surrogate. L’objectif est d’optimiser simultanément le routage et les architectures des experts. L’algorithme proposé, basé sur une forme généralisée de l’algorithme EM, intègre une étape S pour l’apprentissage ciblé de la fonction surrogate. Des théorèmes de convergence et des estimations de vitesse sont démontrés, mais leur application directe aux réseaux de neurones est limitée. Les expériences sur des données synthétiques et réelles (SFAR 100, SEN) montrent que la méthode surpasse les baselines. Le deuxième travail, par Andrei, traite du contrôle optimal dans les systèmes d’IA avec boucle de rétroaction. Il explore deux scénarios : l’effondrement du système et le replay génératif pour l’apprentissage continu. Des théorèmes bornent l’erreur moyenne et montrent l’importance de l’ordre des tâches. Une gestion adaptative des poids est proposée, avec des résultats sur le dataset Chest X-ray. Le troisième travail, non détaillé, semble porter sur des méthodes d’optimisation avec des contraintes de type Frank-Wolfe. Les commentaires des encadrants soulignent la nécessité de clarifier les définitions, de simplifier les preuves et de mieux structurer les présentations.

202 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

Les travaux présentés ont une valeur scientifique certaine, avec des contributions originales : une nouvelle formulation pour les MoE, des garanties théoriques pour l’apprentissage continu, et des extensions de méthodes d’optimisation. L’argumentation est globalement solide, mais la présentation orale est parfois confuse, avec des termes non définis et des preuves trop condensées. Les expériences, bien que limitées à quelques datasets, soutiennent les affirmations théoriques.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : les travaux s’appuient sur des bases théoriques solides (théorèmes de convergence, analyses spectrales) et des expériences sur des datasets reconnus. Cependant, les sources ne sont pas citées explicitement dans la vidéo, et la présentation manque de clarté sur certains points. Le titre est adéquat, mais la vidéo ne fournit pas de références bibliographiques détaillées.

139 mots

Adéquation titre / contenu

Le titre correspond au contenu : il s'agit bien d'une pré-soutenance de mémoires de master en intelligence artificielle.

Qualité & fiabilité

7/10

Contenu scientifique de niveau master, présentant des travaux de recherche originaux avec des preuves théoriques et des expériences. La qualité est globalement bonne, mais la présentation est parfois confuse et les preuves ne sont pas détaillées dans la vidéo.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Apport & nouveautés

La vidéo présente des travaux de recherche originaux : une nouvelle approche pour l’optimisation des mélanges d’experts, des garanties théoriques pour l’apprentissage continu, et des extensions de méthodes d’optimisation. Ces contributions sont intéressantes pour la communauté IA.

Pour aller plus loin :

  • Mixture of Experts — Concept central du premier mémoire.
  • Catastrophic forgetting — Problème abordé dans le deuxième mémoire.
  • Frank-Wolfe algorithm — Base du troisième mémoire.

67 mots

Profil radar

Le profil radar montre une bonne quantité d'informations et un niveau technique élevé, mais une fiabilité globale moyenne due à un manque de sources explicites. La qualité de l'information est correcte, mais la présentation pourrait être améliorée.

Fiabilité 7/10