Regroupement de données multi-représentées : une approche par k-moyenne flou
Abstract
Nous nous intéressons dans cette étude à la classification non-supervisée de données multi-représentées, i.e. des données décrites par plusieurs sources d'information (ensembles d'attributs ou matrices de proximités). Ce domaine d'étude trouve ses principales applications en recherche d'information, en biologie ou encore en chimie. Il s'agit alors de proposer un cadre méthodologique permettant la recherche d'une classification réalisant un consensus entre les différentes représentations. Dans ce cadre, la fusion des informations issues de chacune des sources est nécessaire. Cette fusion peut être réalisée en amont du processus de classification (fusion a priori), en aval (fusion a posteriori) ou pendant le processus (approche collaborative). Nous nous inspirons du travail récent de Bickel et Sheffer visant à étendre les modèles de mélanges au cas des données multi-représentées (Co-EM) et proposons un modèle de classification floue généralisant à la fois les approches collaboratives, de fusion a priori et a posteriori. Les expérimentations proposées valident l'étude sur un jeu de données adapté.