Classification Localement Parcimonieuse par Méthodes Séquentielles

Gabriel Dulac-Arnold 1 Ludovic Denoyer 1 Philippe Preux 2 Patrick Gallinari 1
1 MALIRE - Machine Learning and Information Retrieval
LIP6 - Laboratoire d'Informatique de Paris 6
2 SEQUEL - Sequential Learning
LIFL - Laboratoire d'Informatique Fondamentale de Lille, LAGIS - Laboratoire d'Automatique, Génie Informatique et Signal, Inria Lille - Nord Europe
Résumé : Nous proposons une nouvelle méthode de classification qui vise à sélectionner la représsentation la plus adéquate pour chaque entrée à classifier, contrairement aux méthodes usuelles qui consistent à sélectionner une représentation globale à tout un jeu de données. Cette représentation locale est apprise à l’aide d’un risque empirique régularisé qui est une extension du risque régularisé L 0 . Le problème de classification est modélisé comme un processus séquentiel de décision qui, à chaque étape, choisit, pour chaque entrée, les caractéristiques à utiliser afin de bien classer. Le modèle obtenu possède une complexité d’inférence équivalente à celle d’un classifieur linéaire classique, tout en utilisant moins de caractéristiques en moyenne. Nous comparons notre classifieur aux classifieurs régularisés L 1 classiques (L 1 -SVM et LARS) sur un ensemble de jeux de données classiques et nous montrons que, à nombre égal de caractéristiques, notre méthode obtient de meilleures performances.
Complete list of metadatas

https://hal.archives-ouvertes.fr/hal-01357567
Contributor : Ludovic Denoyer <>
Submitted on : Tuesday, August 30, 2016 - 10:17:11 AM
Last modification on : Thursday, March 21, 2019 - 1:07:54 PM

Identifiers

  • HAL Id : hal-01357567, version 1

Citation

Gabriel Dulac-Arnold, Ludovic Denoyer, Philippe Preux, Patrick Gallinari. Classification Localement Parcimonieuse par Méthodes Séquentielles. CAP 2012 - Conférence Francophone sur l'Apprentissage Automatique, May 2012, Nancy, France. ⟨hal-01357567⟩

Share

Metrics

Record views

307