Étudier l'impact des représentations latentes dans les réseaux neuronaux implicites pour la reconstruction de champs continus scientifiques

Apprendre une représentation continue et fiable des champs physiques à partir d'un échantillonnage sparse est un défi et cela affecte diverses disciplines scientifiques. Dans un travail récent, nous présentons un nouveau modèle appelé MMGN (Réseau de Gabor Multiplicatif et Modulé) avec des réseaux neuronaux implicites. Dans ce travail, nous concevons des études supplémentaires s'appuyant sur des méthodes d'explicabilité pour compléter les expériences précédentes et améliorer la compréhension des représentations latentes générées par le modèle. Les méthodes adoptées sont suffisamment générales pour être exploitées pour toute inspection de l'espace latent. Les résultats préliminaires démontrent l'information contextuelle incorporée dans les représentations latentes et leur impact sur la performance du modèle. En tant que travail en cours, nous continuerons à vérifier nos résultats et à développer de nouvelles approches d'explicabilité.