Réponse rapide
On entraîne un réseau récurrent sur des séquences représentatives, avec fenêtres et masques correctement horodatés, séparation par épisode, perte adaptée et évaluation sur des longueurs et perturbations nouvelles.
Conserver la structure temporelle
Les séquences ne sont pas mélangées au hasard entre ensembles. Retards, valeurs manquantes, changements de fréquence et réinitialisations sont annotés.
Stabiliser l’état
Fenêtre, gradient, régularisation, état initial et longueur d’entraînement sont surveillés. Les performances sont comparées sur épisodes plus longs que ceux vus à l’apprentissage.
Tester le cas interrompu
Bruit, occlusion, redémarrage et changement de régime sont injectés. La sortie est évaluée par horizon, classe d’événement et conséquence de commande.
Sources et références
- [1] Robotics and Autonomous Systems — NIST