L'IA face aux grands problèmes du monde · Informatique théorique · arXiv · 2026-10-23
Apprentissage profond pour objets aléatoires dans des espaces métriques : au-delà des hypothèses de variété
Titre original: Deep Learning for Random Objects in Metric Spaces: Beyond Manifold Assumptions
L'apprentissage profond a amélioré la prédiction dans de nombreuses tâches, mais les méthodes rigoureuses pour les objets aléatoires dans des espaces métriques non euclidiens, tels que les distributions et les graphes, sont rares. Les auteurs proposent un cadre d'apprentissage profond pour la régression avec des objets aléatoires qui s'appuie directement sur la structure métrique de l'espace de réponse, sans hypothèse de variété ni de plongement euclidien, et établissent la cohérence statistique ainsi que des vitesses de convergence. Il montre des performances prédictives compétitives en simulation et a été appliqué à deux études de cas de santé numérique avec des résultats de type distribution dans des espaces de Wasserstein, à partir de données d'accélérométrie et de surveillance continue de la glycémie.