Nouvelles approches itératives avec garanties théoriques pour l'adaptation de domaine non supervisée

Résumé : Ces dernières années, l’intérêt pour l’apprentissage automatique n’a cessé d’augmenter dans des domaines aussi variés que la reconnaissance d’images ou l’analyse de données médicales. Cependant, une limitation du cadre classique PAC a récemment été mise en avant. Elle a entraîné l’émergence d’un nouvel axe de recherche : l’Adaptation de Domaine, dans lequel on considère que les données d’apprentissage proviennent d’une distribution (dite source) différente de celle (dite cible) dont sont issues les données de test. Les premiers travaux théoriques effectués ont débouché sur la conclusion selon laquelle une bonne performance sur le test peut s’obtenir en minimisant à la fois l’erreur sur le domaine source et un terme de divergence entre les deux distributions. Trois grandes catégories d’approches s’en inspirent : par repondération, par reprojection et par auto-étiquetage. Dans ce travail de thèse, nous proposons deux contributions. La première est une approche de reprojection basée sur la théorie du boosting et s’appliquant aux données numériques. Celle-ci offre des garanties théoriques intéressantes et semble également en mesure d’obtenir de bonnes performances en généralisation. Notre seconde contribution consiste d’une part en la proposition d’un cadre permettant de combler le manque de résultats théoriques pour les méthodes d’auto-étiquetage en donnant des conditions nécessaires à la réussite de ce type d’algorithme. D’autre part, nous proposons dans ce cadre une nouvelle approche utilisant la théorie des (epsilon, gamma, tau)-bonnes fonctions de similarité afin de contourner les limitations imposées par la théorie des noyaux dans le contexte des données structurées
Type de document :
Thèse
Intelligence artificielle [cs.AI]. Université Jean Monnet - Saint-Etienne, 2014. Français. <NNT : 2014STET4023>
Liste complète des métadonnées

https://tel.archives-ouvertes.fr/tel-01511553
Contributeur : Abes Star <>
Soumis le : vendredi 21 avril 2017 - 11:15:07
Dernière modification le : samedi 22 avril 2017 - 01:08:02

Fichier

These-Peyrache-JeanPhilippe-20...
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01511553, version 1

Collections

Citation

Jean-Philippe Peyrache. Nouvelles approches itératives avec garanties théoriques pour l'adaptation de domaine non supervisée. Intelligence artificielle [cs.AI]. Université Jean Monnet - Saint-Etienne, 2014. Français. <NNT : 2014STET4023>. <tel-01511553>

Partager

Métriques

Consultations de
la notice

35

Téléchargements du document

5