Nous proposons le méta-apprentissage prospectif, un algorithme de méta-apprentissage rapide et en ligne permettant un apprentissage continu à partir de flux de données en continu, avec une modulation intégrée du taux d’apprentissage.
Dans un avenir où les prédictions pour un patient unique reposeront sur des mégadonnées biomédicales, il pourrait devenir essentiel que la modélisation pour l’inférence et la modélisation pour la prédiction soient à la fois liées et différentes.
Mila collabore avec Stony Brook Medicine. Une équipe dirigée par Joseph Paul Cohen construit un ensemble de données et des modèles publics pour prédire la gravité de la pneumonie COVID-19. Les premiers résultats sont prometteurs et les outils sont prêts pour une évaluation plus approfondie.
Manifold Mixup est une méthode de régularisation simple et facile à implémenter qui améliore la généralisation des modèles d’apprentissage profonds.