Unsupervised Learning in Complex Systems
Apprentissage non supervisé dans les systèmes complexes
Résumé
In this thesis, we explore the use of complex systems to study learning and adaptation in natural and artificial systems. The goal is to develop autonomous systems that can learn without supervision, develop on their own, and become increasingly complex over time. Complex systems are identified as a suitable framework for understanding these phenomena due to their ability to exhibit growth of complexity. Being able to build learning algorithms that require limited to no supervision would enable greater flexibility and adaptability in various applications. By understanding the fundamental principles of learning in complex systems, we hope to advance our ability to design and implement practical learning algorithms in the future. This thesis makes the following key contributions: the development of a general complexity metric that we apply to search for complex systems that exhibit growth of complexity, the introduction of a coarse-graining method to study computations in large-scale complex systems, and the development of a metric for learning efficiency as well as a benchmark dataset for evaluating the speed of learning algorithms. Our findings add substantially to our understanding of learning and adaptation in natural and artificial systems. Moreover, our approach contributes to a promising new direction for research in this area. We hope these findings will inspire the development of more effective and efficient learning algorithms in the future.
Dans cette thèse, nous explorons l’utilisation de systèmes complexes pour étudier l’apprentissage et l’adaptation dans les systèmes naturels et artificiels. L’objectif est de développer des systèmes autonomes capables d’apprendre sans supervision, de se développer de manière autonome et de devenir de plus en plus complexes avec le temps. Les systèmes complexes apparaissent comme un cadre adapté pour comprendre ces phénomènes en raison de leur capacité à croître en complexité. Être en mesure de construire des algorithmes d’apprentissage qui nécessitent peu ou pas de supervision permettrait une plus grande flexibilité et adaptabilité dans diverses applications. En tentant de comprendre les principes fondamentaux de l’apprentissage dans les systèmes complexes, nous espérons améliorer notre capacité à concevoir et à mettre en œuvre des algorithmes d’apprentissage à l’avenir. Cette thèse apporte les contributions suivantes : le dévelop- pement d’une métrique de complexité générale que nous appliquons pour rechercher des systèmes complexes qui présentent une croissance de complexité, l’introduction d’une méthode pour étudier les calculs dans des systèmes complexes à grande échelle, et le développement d’une métrique pour l’efficacité de l’apprentissage ainsi que l’introduction d’un jeu de données de référence pour évaluer la vitesse des algorithmes d’apprentissage. Nos résultats contribuent significativement à notre compréhension de l’apprentissage et de l’adaptation dans les systèmes naturels et artificiels. De plus, notre approche contribue à une nouvelle direction prometteuse pour la recherche dans ce domaine. Nous espérons que ces résultats inspireront le développement d’algorithmes d’apprentissage plus efficaces et plus performants à l’avenir.
Origine : Fichiers produits par l'(les) auteur(s)
