Communication Dans Un Congrès Année : 2017

Apprentissage de sphères maximales d’exclusion avec garanties théoriques

Résumé

Dans ce papier, nous proposons une méthode d'apprentissage automatique avec garanties théoriques pour générer des sphères maximales d'exclusion sur des données binaires présentant un fort déséquilibre. Notre objectif est d'apprendre un ensemble de sphères locales, centrées sur les exemples de la classe minoritaire, qui excluent les exemples de la classe majoritaire. Notre contribution est double : 1) le problème est abordé comme un problème d'apprentissage de métrique et 2) nous démontrons des résultats de stabilité uniforme sur le rayon et la métrique apprise par notre algorithme. Nos expériences sur des jeux de données réelles montrent l'intérêt de notre approche.

Fichier principal
Vignette du fichier
CAp_2017_paper_24.pdf (682.25 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence
Loading...

Dates et versions

hal-01581550 , version 1 (04-09-2017)

Licence

Identifiants

  • HAL Id : hal-01581550 , version 1

Citer

Guillaume Metzler, Xavier Badiche, Brahim Belkasmi, Stéphane Canu, Elisa Fromont, et al.. Apprentissage de sphères maximales d’exclusion avec garanties théoriques. Conférence sur l'Apprentissage Automatique, Jun 2017, Grenoble, France. ⟨hal-01581550⟩
268 Consultations
210 Téléchargements

Partager

  • More