Boosting d'un pool d'apprenants faibles
Résumé
Nous considérons ici des problèmes d'apprentissage où les données sont présentées à l'aide de caractéristiques fortement hétérogènes, par exemple, une base de personnes où chaque individu est décrit par son nom (une chaîne de caractères), sa photo (une image), un enregistrement de sa voix (du son) et ses mensurations (des réels). Il n'existe aucun algorithme capable d'apprendre en travaillant sur toutes ces caractéristiques à la fois (sauf en utilisant un codage et donc en perdant de l'information), mais nous disposons d'algorithmes performants et spécialisés pour traiter efficacement chaque type de caractéristiques. Dans ce travail, nous proposons une nouvelle procédure de boosting, kBOOST, permettant à ces algorithmes de collaborer activement pendant la phase d'apprentissage, et de construire ainsi une hypothèse globale très performante. Nous étudions les propriétés théoriques de kBOOST puis nous menons des expérimentations prouvant que notre méthode fonctionne significativement mieux que toute autre combinaison d'hypothèses qui seraient construites sans collaboration.