Apprentissage supervisé robuste de caractéristiques de classes. Application en protéomique
Résumé
La protéomique est un domaine en pleine expansion, et son utilisation est notamment envisagée dans le diagnostic de maladies comme le cancer. Un diagnostic basé sur une classification nécessite la connaissance des distributions des biomarqueurs dans chaque classe. L'apprentissage des distributions est réalisé à partir de données acquises suivant un modèle direct hiérarchique. L'acquisition des données fait intervenir des variabilités biologique et technologique. Pour un apprentissage robuste aux fluctuations instrumentales, il est nécessaire d'en tenir compte en les intégrant dans l'estimation. Pour obtenir un apprentissage robuste, nous proposons d'utiliser le cadre des problèmes inverses pour intégrer les variabilités technologique (instrumentale) et biologique qui impactent les données et de tirer profit de la nature hiérarchique du modèle La robustesse est montrée grâce à la proximité des distributions estimées par apprentissage global et par apprentissage idéal avec les variables instrumentales connues, quantifiée par la divergence de Kullback-Leibler.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...