Efficacité des méthodes locales en physique et en classification d’images

Les réseaux de neurones profonds ont permis de réaliser de nombreux progrès ces dernières années dans les problèmes d’apprentissage en grande dimension, notamment en classification d'images et en régression d'énergie en physique.
Nous nous concentrerons sur ces deux problèmes qui sont de nature multi-échelle.
En effet, L'énergie des molécules et des solides résulte d'interactions à différentes échelles, par exemple, les liaisons ioniques et covalentes à courte échelle, les interactions de Van-der-Waals à méso-échelle et les interactions de Coulomb à grande échelle.
De même, on peut classifier une image en utilisant des informations de texture à petite échelle, des informations de motif à grande échelle ou des informations de forme à l'échelle de l’objet.

Nous présenterons des résultats expérimentaux qui montrent l’efficacité des méthodes locales sur ces problèmes, c’est a dire les méthodes de classification d'images basées sur de petits patch d'images et les techniques de régression énergétique locale basées sur de petites descriptions de voisinage d’atomes dans les solides et les molécules.
Nous présentons notamment un classificateur d'images basé sur les calculs de K-plus-proches voisins de patch d’images et dont les performances surprenantes suggèrent une forme de basse dimension pour des patch d’images.