University Sétif 1 FERHAT ABBAS Faculty of Sciences
Résultat de la recherche
2 résultat(s) recherche sur le mot-clé 'Generative Models'
Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche
Deep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique / Rim Chemsse Rezig
Titre : Deep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique Type de document : texte imprimé Auteurs : Rim Chemsse Rezig, Auteur ; Aicha Haddad, Auteur ; Noureddine Mekroud, Directeur de thèse Année de publication : 2023 Importance : 1 vol (95 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning Bio-informatique Images d’Expression Génétique Modèles génératifs Théorie de l’incertain Règles d’Association Bioinformatics Gene Expression Images Generative Models Uncertain Theory Association Rules. Index. décimale : 004 Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus étudiées, vu l’importance vitale des connaissances que cachent ces données très volumineuses et hétérogènes et à caractère parfois incertain et imprécis. Une réduction fiable des dimensions des données étudiées réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la qualité de ses résultats. Aussi, introduire les théories de modélisation sous l’incertain (comme la logique floue, possibiliste et évidentielle) est très bénéfique pour assurer une représentation formelle des données biologiques fidèle à la leur réalité.
Dans cette perspective, l’approche proposée est basée sur la modélisation (via les théories de l’incertain) des séquences d’images représentant les zones expressions génétiques lors des phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ». Pour augmenter le nombre de ces images, nous proposons une méthode adéquate à leur contenu basée sur les modèles génératifs. Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences d’image est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via l’algorithme Apriori adapté à la logique évidentielle) les items-sets les plus fréquents qui représentent les gènes qui co-expriment durant les phases de développement de l’embryon de cette espèce. Une interprétation biologique des résultats des deux modélisations proposées (floue et possibiliste) sera ensuite fournie. Les connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants qui cache toujours des secrets=Derived from real-world observations, biological data is one of the most extensively studied types of data, given the vital importance of the knowledge hidden within these voluminous, heterogeneous, uncertain, and sometimes imprecise data. Reliable dimension reduction of the studied data will decrease the complexity of any utilized learning algorithm and help improve the quality of its results. Additionally, introducing modeling theories under uncertainty, such as fuzzy, possibilistic, and evidential logic, is highly beneficial for ensuring a formal representation of biological data that remains faithful to its reality.
In this regard, the proposed approach is based on modeling (using uncertain theories) sequences of images representing genetic expression zones during the growth phases of the "Edinburgh Mouse" model species embryo. To increase the number of these images, we propose a content-based method based on generative models. Subsequently, the extraction of the most relevant features from these image sequences is ensured through a Convolutional Autoencoder. Finally, using the Apriori algorithm adapted to evidential logic, the most frequent itemsets representing co-expressed genes during the developmental phases of this embryo species are extracted. A biological interpretation of the results from the two proposed models (fuzzy and possibilistic) will be provided. The extracted knowledge will assist biologists in better understanding the genome of living organisms, which always harbors secrets
Côte titre : MAI/0770 En ligne : https://drive.google.com/file/d/1cjWyNeTJcpzi6zk-ebSAjmjGvod3Nqyr/view?usp=drive [...] Format de la ressource électronique : Deep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique [texte imprimé] / Rim Chemsse Rezig, Auteur ; Aicha Haddad, Auteur ; Noureddine Mekroud, Directeur de thèse . - 2023 . - 1 vol (95 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning Bio-informatique Images d’Expression Génétique Modèles génératifs Théorie de l’incertain Règles d’Association Bioinformatics Gene Expression Images Generative Models Uncertain Theory Association Rules. Index. décimale : 004 Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus étudiées, vu l’importance vitale des connaissances que cachent ces données très volumineuses et hétérogènes et à caractère parfois incertain et imprécis. Une réduction fiable des dimensions des données étudiées réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la qualité de ses résultats. Aussi, introduire les théories de modélisation sous l’incertain (comme la logique floue, possibiliste et évidentielle) est très bénéfique pour assurer une représentation formelle des données biologiques fidèle à la leur réalité.
Dans cette perspective, l’approche proposée est basée sur la modélisation (via les théories de l’incertain) des séquences d’images représentant les zones expressions génétiques lors des phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ». Pour augmenter le nombre de ces images, nous proposons une méthode adéquate à leur contenu basée sur les modèles génératifs. Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences d’image est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via l’algorithme Apriori adapté à la logique évidentielle) les items-sets les plus fréquents qui représentent les gènes qui co-expriment durant les phases de développement de l’embryon de cette espèce. Une interprétation biologique des résultats des deux modélisations proposées (floue et possibiliste) sera ensuite fournie. Les connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants qui cache toujours des secrets=Derived from real-world observations, biological data is one of the most extensively studied types of data, given the vital importance of the knowledge hidden within these voluminous, heterogeneous, uncertain, and sometimes imprecise data. Reliable dimension reduction of the studied data will decrease the complexity of any utilized learning algorithm and help improve the quality of its results. Additionally, introducing modeling theories under uncertainty, such as fuzzy, possibilistic, and evidential logic, is highly beneficial for ensuring a formal representation of biological data that remains faithful to its reality.
In this regard, the proposed approach is based on modeling (using uncertain theories) sequences of images representing genetic expression zones during the growth phases of the "Edinburgh Mouse" model species embryo. To increase the number of these images, we propose a content-based method based on generative models. Subsequently, the extraction of the most relevant features from these image sequences is ensured through a Convolutional Autoencoder. Finally, using the Apriori algorithm adapted to evidential logic, the most frequent itemsets representing co-expressed genes during the developmental phases of this embryo species are extracted. A biological interpretation of the results from the two proposed models (fuzzy and possibilistic) will be provided. The extracted knowledge will assist biologists in better understanding the genome of living organisms, which always harbors secrets
Côte titre : MAI/0770 En ligne : https://drive.google.com/file/d/1cjWyNeTJcpzi6zk-ebSAjmjGvod3Nqyr/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0770 MAI/0770 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Optimization of GAN’s Parameters using Metaheuristics Type de document : texte imprimé Auteurs : Abderraouf Attout, Auteur ; Abderaouf Chelbi ; Djemame, Safia, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (95 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Pix2Pix Generator Discriminator Hyper-parameters Meta-heuristics Genetic Algorithm Optimization Algorithms degraded document restoration Deep Learning Generative Models Generative
Adversarial Network Restauration de documents dégradés Apprentissage profond Modèles génératifs Réseaux antagonistes génératifs Générateur Discriminateur Hyper-paramètres Métaheuristiques Algorithme génétique Algorithmes d’optimisation.Index. décimale : 004 Informatique Résumé : GANs (Generative Adversarial Networks) are an approach for model generation using deep
learning methods, such as Convolutional Neural Networks (CNNs). GANs offer an intelligent
way to construct a generative model by framing the problem as a supervised learning problem
with two sub-models: the generator model, which is trained to generate new examples, and
the discriminator model, which tries to classify examples as real (from the domain) or fake
(generated). Both models are trained together in a zero-sum game until the discriminator model
is fooled approximately half the time, indicating that the generator model is generating plausible
examples.
During this process, several hyper-parameters need to be adjusted to achieve optimal results,
such as batch size, kernel size, and number of epochs. The aim is to minimize execution time
while obtaining satisfactory performance.
In this work, we propose the application of optimization, to find an optimal adjustment for
the parameters of the generator and discriminator. This will be accomplished through manual
adjustment as well as the utilization of metaheuristics. The results will be compared with those
of previous work. Performance tests will be conducted on the historical image dataset DIBCO
2020.
The objective is to introduce an optimization into the parameter tuning step of the generator
and discriminator in GANs = Les GANs (Generative Adversarial Networks) sont une approche de génération de modèles utilisant
des méthodes d’apprentissage profond, telles que les réseaux de neurones convolutionnels
(CNN). Les GANs offrent une façon intelligente de construire un modèle génératif en définissant
le problème comme un problème d’apprentissage supervisé avec deux sous-modèles : le modèle
générateur, qui est entraîné à générer de nouveaux exemples, et le modèle discriminateur, qui
tente de classer les exemples comme réels (du domaine) ou faux (générés). Les deux modèles
sont entraînés ensemble dans un jeu à somme nulle jusqu’à ce que le modèle discriminateur soit
trompé environ la moitié du temps, ce qui indique que le modèle générateur génère des exemples
plausibles.
Pendant ce processus, plusieurs hyperparamètres doivent être ajustés pour obtenir des
résultats optimaux, tels que la taille du lot (batch size), la taille du noyau (kernel size) et
le nombre d’époques. L’objectif est de minimiser le temps d’exécution tout en obtenant des
performances satisfaisantes.
Dans ce travail, nous proposons l’application de l’optimisation afin de trouver un ajustement
optimal pour les paramètres du générateur et du discriminateur. Cela sera réalisé manuellement
et grâce à l’utilisation de métaheuristiques. Les résultats seront comparés à ceux d’un
travail précédent. Des tests de performance seront effectués sur l’ensemble de données d’images
historiques DIBCO 2020.
L’objectif est d’introduire une optimisation dans l’étape de réglage des paramètres du générateur
et du discriminateur dans les GANs.
Côte titre : MAI/0767 En ligne : https://drive.google.com/file/d/1_fxc-RWAInDUTFTUQD9bFKgqytVAzfaj/view?usp=drive [...] Format de la ressource électronique : Optimization of GAN’s Parameters using Metaheuristics [texte imprimé] / Abderraouf Attout, Auteur ; Abderaouf Chelbi ; Djemame, Safia, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol (95 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Pix2Pix Generator Discriminator Hyper-parameters Meta-heuristics Genetic Algorithm Optimization Algorithms degraded document restoration Deep Learning Generative Models Generative
Adversarial Network Restauration de documents dégradés Apprentissage profond Modèles génératifs Réseaux antagonistes génératifs Générateur Discriminateur Hyper-paramètres Métaheuristiques Algorithme génétique Algorithmes d’optimisation.Index. décimale : 004 Informatique Résumé : GANs (Generative Adversarial Networks) are an approach for model generation using deep
learning methods, such as Convolutional Neural Networks (CNNs). GANs offer an intelligent
way to construct a generative model by framing the problem as a supervised learning problem
with two sub-models: the generator model, which is trained to generate new examples, and
the discriminator model, which tries to classify examples as real (from the domain) or fake
(generated). Both models are trained together in a zero-sum game until the discriminator model
is fooled approximately half the time, indicating that the generator model is generating plausible
examples.
During this process, several hyper-parameters need to be adjusted to achieve optimal results,
such as batch size, kernel size, and number of epochs. The aim is to minimize execution time
while obtaining satisfactory performance.
In this work, we propose the application of optimization, to find an optimal adjustment for
the parameters of the generator and discriminator. This will be accomplished through manual
adjustment as well as the utilization of metaheuristics. The results will be compared with those
of previous work. Performance tests will be conducted on the historical image dataset DIBCO
2020.
The objective is to introduce an optimization into the parameter tuning step of the generator
and discriminator in GANs = Les GANs (Generative Adversarial Networks) sont une approche de génération de modèles utilisant
des méthodes d’apprentissage profond, telles que les réseaux de neurones convolutionnels
(CNN). Les GANs offrent une façon intelligente de construire un modèle génératif en définissant
le problème comme un problème d’apprentissage supervisé avec deux sous-modèles : le modèle
générateur, qui est entraîné à générer de nouveaux exemples, et le modèle discriminateur, qui
tente de classer les exemples comme réels (du domaine) ou faux (générés). Les deux modèles
sont entraînés ensemble dans un jeu à somme nulle jusqu’à ce que le modèle discriminateur soit
trompé environ la moitié du temps, ce qui indique que le modèle générateur génère des exemples
plausibles.
Pendant ce processus, plusieurs hyperparamètres doivent être ajustés pour obtenir des
résultats optimaux, tels que la taille du lot (batch size), la taille du noyau (kernel size) et
le nombre d’époques. L’objectif est de minimiser le temps d’exécution tout en obtenant des
performances satisfaisantes.
Dans ce travail, nous proposons l’application de l’optimisation afin de trouver un ajustement
optimal pour les paramètres du générateur et du discriminateur. Cela sera réalisé manuellement
et grâce à l’utilisation de métaheuristiques. Les résultats seront comparés à ceux d’un
travail précédent. Des tests de performance seront effectués sur l’ensemble de données d’images
historiques DIBCO 2020.
L’objectif est d’introduire une optimisation dans l’étape de réglage des paramètres du générateur
et du discriminateur dans les GANs.
Côte titre : MAI/0767 En ligne : https://drive.google.com/file/d/1_fxc-RWAInDUTFTUQD9bFKgqytVAzfaj/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0767 MAI/0767 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible