|
Objets, arbres de propriétés, treillis de catégories, catégorisation et classification| old_uid | 4958 |
|---|
| title | Objets, arbres de propriétés, treillis de catégories, catégorisation et classification |
|---|
| start_date | 2008/05/29 |
|---|
| schedule | 14h |
|---|
| online | no |
|---|
| location_info | salle 549 |
|---|
| summary | La possibilité d'apprendre à partir de données bruitées pose des problèmes qui présentent un intéret d'un point de vue théorique et pratique ; l'obtention de résultats/d'algorithmes d'apprenabilité permet notamment de répondre a des questions d'apprentissage semi-supervisé. Les méthodes d'apprentissage basées sur des critères de marge sont théoriquement fondées et conduisent dans la pratique à d'excellents résultats pour diverses tâches de classification. La question de savoir s'il est possible d'apprendre à partir de données bruitées en utilisant de telles méthodes, et en particulier les machines à vecteurs de support, est donc d'un grand intérêt et est l'objet de cette presentation.
Apres avoir exhibé un exemple simple montrant que les SVM à marges douces (CSvm) ne sont pas tolérantes au bruit de classification uniforme, nous proposons une version modifiée de CSvm basée sur une fonction objectif utilisant un estimateur des variables d'écart du problème non bruitée. Les bonnes proprietés de cet estimateur sont appuyées par une analyse théorique ainsi que par des simulations numériques. |
|---|
| responsibles | Bouchon-Meunier, Diaz, Gallinari |
|---|
| |
|