Apprentissage de sphères maximales d’exclusion avec garanties théoriques

Résumé : 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.
Document type :
Conference papers
Complete list of metadatas

Cited literature [11 references]  Display  Hide  Download

https://hal.archives-ouvertes.fr/hal-01581550
Contributor : Guillaume Metzler <>
Submitted on : Monday, September 4, 2017 - 8:31:30 PM
Last modification on : Thursday, February 7, 2019 - 5:30:02 PM

File

CAp_2017_paper_24.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-01581550, version 1

Citation

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⟩

Share

Metrics

Record views

180

Files downloads

133