Sélection de variables en mode semi-supervisé dans un contexte multi-labels

Abdelouahid Alalga Khalid Benabdeslem 1
1 DM2L - Data Mining and Machine Learning
LIRIS - Laboratoire d'InfoRmatique en Image et Systèmes d'information
Résumé : Dans cet article, nous proposons un cadre unifié pour la sélection de variables semi-supervisée dans un contexte multi-labels, en se basant sur le score Laplacien. En particulier, nous montrons comment contraindre la fonction de ce score, lorsque les données sont partiellement étiquetée et chaque instance est associée à un ensemble d'étiquettes, simultanément. Nous transformons la partie étiquetée des données en contraintes "relaxées" et montrons comment les intégrer dans une mesure de pertinence pour les variables, selon la disponibilité des étiquettes. Des expérimentations sur des ensembles de données de référence sont fournis pour valider l'approche proposée et la comparer avec d'autres méthodes de sélection de variables dans le contexte multi-labels.
Document type :
Conference papers
Complete list of metadatas

https://hal.archives-ouvertes.fr/hal-01588285
Contributor : Équipe Gestionnaire Des Publications Si Liris <>
Submitted on : Friday, September 15, 2017 - 2:17:45 PM
Last modification on : Wednesday, November 20, 2019 - 3:24:26 AM

Identifiers

  • HAL Id : hal-01588285, version 1

Citation

Abdelouahid Alalga, Khalid Benabdeslem. Sélection de variables en mode semi-supervisé dans un contexte multi-labels. Conférence francophone d’apprentissage, CAp 2014, Jul 2014, Saint-Etienne, France. ⟨hal-01588285⟩

Share

Metrics

Record views

119