Modélisation de la fermeture coloniale chez les fourmis pour la classification non- supervisée

Nicolas Labroche (1) , N. Monmarché (1) , Gilles Venturini (1)

1 LIFAT - Laboratoire d'Informatique Fondamentale et Appliquée de Tours

Nous présentons dans cet article une nouvelle méthode de classification non-supervisée appelée AntClust, inspirée du syst eme de reconnaissance chimique des fourmis. Celui-ci, connu sous le nom de fermeture coloniale, repose sur l'apprentissage et le partage d'une odeur coloniale communè a toutes les fourmis d'un même nid. Dans notre méthode , une fourmi artificielle est associéè a un objet a classer. Chaque fourmi arti-ficielle est capable d'apprendre une odeur coloniale grâcè a un processus de rencontres aléatoires et un ensemble de r` egles comportementales lo-cales. Les fourmis se regroupent ainsi en colonies qui partagent une odeur similaire, ce qui définit une partition des données. Nous comparons cet algorithmè a la méthode des K-Means et montrons que les résultats que nous obtenons sont meilleurs sur des jeux de données réelles et artificielles. Cette méthode ne nécessite pas d'initialisationparticulì ere des données (partition initiale, nombre de classes a obtenir) ou de format particulier (données numériques ou symboliques). Nous discutons egalement de la pertinence des choix relatifs a l'apprentissage de l'odeur coloniale pour la convergence de notre algorithme.

Domaines: Informatique [cs]; Apprentissage [cs.LG]; Intelligence artificielle [cs.AI]

Nicolas Labroche, N. Monmarché, Gilles Venturini. Modélisation de la fermeture coloniale chez les fourmis pour la classification non- supervisée. Conférence francophone d'Apprentissage, 2002, Jun 2002, Orléans, France. ⟨hal-01247359⟩