Aide

Besoin d’aide ?

Posez votre question sur le Discord de MiniLab, dans le salon de cette page :

#discussion

Ouvrir le salon ↗

Pas encore membre ? Rejoindre le Discord, puis revenez sur ce bouton.

Ma progression

Sauvegarder ma progression

Chargement…

Votre progression est enregistrée dans ce navigateur, pour cette adresse seulement. Gardez ce code pour la restaurer ailleurs ou après un effacement. Restaurer un code remplace la progression actuelle : vous pouvez aussi revenir à une ancienne étape ou repartir de zéro.

MINILAB-0-1C
Mentions légales
Affichage

Personnaliser l’affichage

Reprendre ma lecture

Catastrophic Forgetting.

En françaisoubli catastrophiqueAussi : interférence catastrophique

Perte de connaissances acquises auparavant quand on poursuit l’entraînement d’un modèle sur de nouvelles données.

Explication

La descente de gradient modifie les poids pour la nouvelle tâche sans se soucier de l’ancienne. Un fine-tuning trop long ou trop brutal peut ainsi dégrader ce que le modèle savait faire. On s’en protège par un taux d’apprentissage faible, peu de pas, ou en gelant la plupart des poids.

Exemple

Un modèle fine-tuné sur des textes juridiques répond moins bien aux questions de culture générale.

Limites

Le phénomène est graduel et passe inaperçu si l’on n’évalue que la nouvelle tâche.

Notions liées

Chaque ligne se lit comme une phrase : « Catastrophic Forgetting voir aussi Fine-tuning ».

Sources

Vérification et historique

Sources vérifiées le .

  1. — Première publication — lot 4 : notions enseignées dans le cours, vocabulaire courant du métier et notions en veille.

Mise en ligne le