Une revue systématique des techniques d'optimisation des hyperparamètres dans les réseaux de neurones convolutifs

Le Réseau de Neurones Convolutifs (CNN) est un sujet privilégié dans la recherche en apprentissage profond (DL) en raison de ses avantages architecturaux. Le CNN repose fortement sur les configurations d'hyperparamètres, et le réglage manuel de ces hyperparamètres peut être chronophage pour les chercheurs, d'où la nécessité de techniques d'optimisation efficaces. Dans cette revue systématique, nous explorons un éventail d'algorithmes bien utilisés, y compris des approches métaheuristiques, statistiques, séquentielles et numériques, pour affiner les hyperparamètres des CNN. Notre recherche offre une catégorisation exhaustive de ces algorithmes d'optimisation des hyperparamètres (HPO) et étudie les concepts fondamentaux des CNN, en expliquant le rôle des hyperparamètres et de leurs variantes. De plus, une revue de littérature exhaustive des algorithmes HPO dans les CNN utilisant les algorithmes mentionnés ci-dessus est entreprise. Une analyse comparative est réalisée sur la base de leurs stratégies HPO, des approches d'évaluation des erreurs et des résultats de précision à travers divers ensembles de données pour évaluer l'efficacité de ces méthodes. En plus de traiter les défis actuels dans le HPO, notre recherche éclaire des problématiques non résolues dans le domaine. En fournissant des évaluations éclairantes des avantages et des inconvénients de divers algorithmes HPO, notre objectif est d'aider les chercheurs à déterminer une méthode appropriée pour un problème et un ensemble de données particuliers. En mettant en lumière les directions de recherche futures et en synthétisant des connaissances diversifiées, notre enquête contribue de manière significative au développement continu de l'optimisation des hyperparamètres des CNN.