Apprentissage de sphères maximales d’exclusion avec garanties théoriques

Guillaume Metzler (1) , Xavier Badiche (2) , Brahim Belkasmi (2) , Stéphane Canu (3) , Elisa Fromont (1) , Amaury Habrard (1) , Marc Sebban (1)

1 LHC - Laboratoire Hubert Curien
2 Chercheur indépendant
3 LITIS - Laboratoire d'Informatique, de Traitement de l'Information et des Systèmes

Dans ce papier, nous proposons une méthode d'apprentissage automatique avec garanties théoriques pour générer des sphères maximales d'exclusion sur des données binaires présentant un fort déséquilibre. Notre objectif est d'apprendre un ensemble de sphères locales, centrées sur les exemples de la classe minoritaire, qui excluent les exemples de la classe majoritaire. Notre contribution est double : 1) le problème est abordé comme un problème d'apprentissage de métrique et 2) nous démontrons des résultats de stabilité uniforme sur le rayon et la métrique apprise par notre algorithme. Nos expériences sur des jeux de données réelles montrent l'intérêt de notre approche.

Mots clés: Apprentissage dans un cadre déséquilibré

Mots clés: Apprentissage Supervisé; Classification Binaire; Apprentissage de Métrique

Domaines: Intelligence artificielle [cs.AI]

Guillaume Metzler, Xavier Badiche, Brahim Belkasmi, Stéphane Canu, Elisa Fromont, et al.. Apprentissage de sphères maximales d’exclusion avec garanties théoriques. Conférence sur l'Apprentissage Automatique, Jun 2017, Grenoble, France. ⟨hal-01581550⟩