tableau récap
This commit is contained in:
parent
5fe700024a
commit
19e5adfc21
|
@ -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}}
|
||||
|
|
Loading…
Reference in a new issue