|
Navigation
|
|
|
 |
|
| |
|
Liens
conseillés
|
|
|
|
Approches
multi-vues et
multi-sources en
apprentissage
non-supervisé
Collaborations Y.
Bennani, G. Cabanes, N.
Grozavu, J. Sublime
Je me suis
intéressé
depuis 2015 à
l’apprentissage
non-supervisé et en
particulier aux
méthodes multi-vues
et multisources.
En effet, l’étude
de données
distribuées et pour
lesquelles il n’existe peu
ou pas d’étiquettes
permettant un
traitement
supervisé est un
domaine important de le
fouille de données
dans lequel les
problématiques sont
nombreuses.
Dans ce contexte, je me
suis
intéressé en
particulier au clustering
collaboratif qui est une
branche du clustering
multivue
dans lequel des
algorithmes de clustering
travaillent ensemble avec
des données issues
de différentes
vues, mais dont
l’objectif n’est pas
d’aboutir une seule
partition globale, mais
à des partitions
localement
améliorées
dans toutes les vues
via des collaborations
mutuelles.
S’il existait
déjà dans la
littérature de
nombreuses méthodes
permettant de faire
collaborer des algorithmes
de clustering
identiques, l’une de mes
contributions a
été de
proposer des
méthodes permettant
à des algorithmes
de
familles
différentes de
travailler ensemble. En
effet,
l’intérêt de
pouvoir faire travailler
ensemble des
méthodes
différentes
(fonctions de distances
locales
différentes, nombre
de clusters
différents, voire
modèles
différents) est
assez évident
lorsqu’on
est face à des vues
très
hétérogènes
et ne pouvant être
toutes traitées de
la même façon
par le même
algorithme (données
issues des réseaux
sociaux, résultats
de moteurs de recherches,
données issues
d’objets
connectées, etc.).
La difficulté est
alors de trouver comment
des algorithmes
différents peuvent
s’échanger des
informations sous un
format commun qu’ils
comprennent tous. La
méthode que j’ai
proposée dans ce
sens repose sur un
modèle permettant
de faire collaborer
ensemble n’importe quels
algorithmes de clustering
probabilistes ou ayant une
fonction objectif,
indépendamment des
modèles et des
nombres de clusters
utilisés dans les
vues locales.
J’ai
continué de
travailler cette
problématiques de
collaborations entre
algorithmes très
différents. En
utilisant le
principe minimum de
complexité, nous
avons amené
à proposer dans
l’utilisation de la
complexité de
Kolmogorov
à machine
fixée comme
critère
d’optimisation universel
pour permettre d’optimiser
la collaboration entre
algorithmes de
clustering potentiellement
très
différents. En
essayant de trouver des
critères objectifs
permettant de
pondérer
l’influence
des différentes
vues en fonction de leur
potentiel à
améliorer ou
détériorer
le résultat final
de la collaboration, je me
suis
intéressé
aux problématiques
de qualité des
résultats, de
capacité à
explorer de nouvelles
solutions, et de
stabilité des
partitions issues d’un
clustering multi-vue.
Les résultats de
ces travaux ont permis
d’aboutir à la
conclusion
théorique que
l’importance de la
diversité reste
vraie dans le cadre de
méthodes
non-supervisées
multi-algorithmes, et que
faute de pouvoir s’appuyer
sur un critère de
qualité
objectif, c’est la
stabilité des
solutions de clustering
qui devra être
favorisée ce
qui encourage ainsi
prioritairement
les collaborations entre
algorithmes trouvant des
résultats proches
de ceux du reste du
groupe.
|
|
