tableau récap

This commit is contained in:
Laureηt 2023-08-28 14:17:49 +02:00
parent 5fe700024a
commit 19e5adfc21
Signed by: Laurent
SSH key fingerprint: SHA256:kZEpW8cMJ54PDeCvOhzreNr4FSh6R13CMGH/POoO8DI

View file

@ -1020,6 +1020,22 @@ Le réseau résultant contient à peine plus de 10000 paramètres, ce qui est co
Par conséquent, ce réseau est très facile à manipuler et à entraîner, mais il présente l'inconvénient d'être spécialisé sur le jeu de données utilisé pour construire la \gls{pca}. Par conséquent, ce réseau est très facile à manipuler et à entraîner, mais il présente l'inconvénient d'être spécialisé sur le jeu de données utilisé pour construire la \gls{pca}.
Cependant, dans le contexte industriel, cet inconvénient est moins préoccupant car la nécessité de modèles génériques n'est pas primordiale. Cependant, dans le contexte industriel, cet inconvénient est moins préoccupant car la nécessité de modèles génériques n'est pas primordiale.
\begin{table}[h!]
\centering
\begin{tabular}{|l|l|l|l|l|}
\hline
\textbf{Approche} & \textbf{Qualité des générations} & \textbf{Paramètres} & \textbf{Temps d'entrainement} \\ \hline
GraphVAE & Correct, overfit, anomalies & 4M & 5m \\ \hline
PointFlow & DNF & 1.3M & plusieurs jours \\ \hline
\gls{kpfcnn} & Correct, beacoup bruité & 4M & 1h \\ \hline
\gls{pvd} & Bien, un peu bruité & 27M & 10h \\ \hline
\gls{lion} & DNF & 22.4M + 13.6M & plusieurs semaines \\ \hline
\gls{ldm} \gls{pca} & Très Bien, peu générique & 10k & 20m \\ \hline
\end{tabular}
\caption{Tableau récapitulatif des différentes approches.}
\label{tab:recap_approches}
\end{table}
\FloatBarrier \FloatBarrier
\glsunset{cfg} \glsunset{cfg}
\subsection{Conditionnement par \acrfull*{cfg}} \subsection{Conditionnement par \acrfull*{cfg}}