Sur la normalisation de la matrice Laplacienne en partitionnement spectral

Julien Ah-Pine (1)

1 ERIC - Entrepôts, Représentation et Ingénierie des Connaissances

Les méthodes de partitionnement spectral permettent de mieux tenir compte de la géométrie intrinsèque des données contrairement aux approches classiques telle que les k-moyennes. Ceci est permis par l'analyse de la ma-trice Laplacienne du graphe de similarités. Il existe plusieurs types de matrice Laplacienne qui peut être normalisée ou pas. Dans cette contribution, nous in-troduisons une généralisation de la normalisation par division symétrique. Nous présentons les motivations et propriétés de notre approche et nous montrons les résultats obtenus sur plusieurs jeux de données.

Domaines: Machine Learning [stat.ML]; Apprentissage [cs.LG]

Julien Ah-Pine. Sur la normalisation de la matrice Laplacienne en partitionnement spectral. Rencontres de la SFC (Société Francophone de Classification), 2017, Lyon, France. ⟨hal-01981818⟩