ENSEEIHT/projet-fin-etude-rapport
1
0
Fork 0
Code Issues Pull requests Packages Projects Releases Wiki Activity

tableau récap

Browse source
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
1 changed files with 17 additions and 1 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

16
pdf/paper.tex
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}.
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
\glsunset{cfg}
\subsection{Conditionnement par \acrfull*{cfg}}