Apprentissage multitâche en grande dimension : classification basée sur les covariances - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Apprentissage multitâche en grande dimension : classification basée sur les covariances

Résumé

This article studies the asymptotic behavior of Kernel Least Square Support Vector Machine in the context of Multi-Task Learning for Gaussian mixture models of high dimension with numerous samples. The asymptotic performance of the algorithm, validated on both synthetic and real data, sets forth the relationship between the statistics of the data, covariances in particular, in each task as well as the hyperparameters relating the tasks together. More importantly, the analysis allows for an improvement of the method by optimizing the labels.
Cet article étudie le comportement asymptotique du Kernel Least Square Support Vector Machine dans le contexte de l'apprentissage multi-tâches pour des modèles de mélange gaussien en grande dimension avec de nombreux échantillons. La performance asymptotique de l'algorithme, validée sur des données synthétiques et réelles, met en évidence la relation entre les statistiques des données, les covariances en particulier, dans chaque tâche ainsi que les hyperparamètres reliant les tâches entre elles. Plus important encore, l'analyse permet d'améliorer la méthode en optimisant les labels.
Fichier principal
Vignette du fichier
DEMR23063.pdf (303.82 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04233419 , version 1 (09-10-2023)

Identifiants

  • HAL Id : hal-04233419 , version 1

Citer

Cyprien Doz, Malik Tiomoko, Chengfang Ren, Jean-Philippe Ovarlez. Apprentissage multitâche en grande dimension : classification basée sur les covariances. GRETSI 2023, Aug 2023, Grenoble, France. ⟨hal-04233419⟩
21 Consultations
52 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More