Apprentissage d'espaces prétopologiques dans un cadre multi-instance pour la structuration de données

Résumé : Nous présentons dans cet article une méthode supervisée de structu-ration (en DAG) d'un ensemble d'éléments. Étant donnés une structure cible (à reconstruire) et un ensemble de relations sur ces éléments, il s'agit d'apprendre un modèle de structuration par combinaison fine des relations initiales. Nous for-malisons ce problème dans le cadre de la théorie de la prétopologie qui permet d'atteindre des modèles de structuration complexes. Nous montrons d'une part que le caractère non-idempotent de la fonction d'adhé-rence (qui définit un espace prétopologique) nécessite de recourir au formalisme de l'apprentissage supervisé multi-instance et proposons d'autre part un algo-rithme d'apprentissage reposant sur le dénombrement des « sacs » positifs et négatifs plutôt que sur un ensemble d'apprentissage standard (trop grand dans ce contexte). Une première expérimentation de cette méthode est présentée dans un cadre applicatif de fouille de textes, consistant à apprendre un modèle de structuration taxonomique d'un ensemble de termes.
Document type :
Conference papers
Complete list of metadatas

https://hal.archives-ouvertes.fr/hal-02056205
Contributor : Gaëtan Caillaut <>
Submitted on : Tuesday, March 12, 2019 - 2:02:16 PM
Last modification on : Wednesday, March 13, 2019 - 1:24:19 AM
Long-term archiving on : Thursday, June 13, 2019 - 2:13:00 PM

File

EGC_court.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-02056205, version 1

Collections

Citation

Gaëtan Caillaut, Guillaume Cleuziou. Apprentissage d'espaces prétopologiques dans un cadre multi-instance pour la structuration de données. EGC 2017, Jan 2017, Grenoble, France. ⟨hal-02056205⟩

Share

Metrics

Record views

27

Files downloads

24