Détection non supervisée d'une sous-population par méthode d'ensemble et changement de représentation itératif
Résumé
L’apprentissage non supervisé a classiquement pour objectif la dé- tection de sous-populations homogènes (classes) sans information a priori sur celles-ci. Les classes sont considérées de manière équivalente. Le problème étudié dans cet article est quelque peu distinct. On s’intéresse uniquement à une sous-population d’intérêt dans l’échantillon étudié que l’on cherche à identifier avec une sensibilité et une spécificité optimales. Nous proposons, pour cela, une méthode s’appuyant sur les principes suivants : (1) travailler dans l’espace de représentation fournis par d’experts faibles pour cette tâche, (2) confronter ces experts pour détecter des seuils de sélection plus pertinents, et (3) les combiner itérativement afin de converger vers l’expert idéal. Cette méthode est éprouvée et comparée sur des données synthétiques.