Skip to Main content Skip to Navigation
Theses

Méthodes optimistes d’apprentissage actif pour la classification

Résumé : La classification se base sur un jeu de données étiquetées par un expert. Plus le jeu de données est grand, meilleure est la performance de classification. Pourtant, la requête à un expert peut parfois être coûteuse. Le but de l'apprentissage actif est alors de minimiser le nombre de requêtes à l'expert. La collection des données non-étiquetées reste aisée cependant et illimitée, il est donc nécessaire de faire un choix sur les données à annoter, l'idée est alors de profiter de ce choix pour maximiser les performances en ne lui fournissant que les données les plus informatives à étiqueter. Pourtant, le niveau d'informativité de chaque donnée ne peut pas être calculé exactement et ne peut être estimé qu'à une incertitude près. Améliorer la précision de l'estimation nécessite d'annoter de nouvelles données. Il y a donc un dilemme entre utiliser le budget d'annotations disponible pour améliorer la performance du classifieur selon l'estimation actuelle du critère ou pour améliorer la précision sur le critère. Ce dilemme est bien connu dans le cadre de l'optimisation en budget fini sous le nom de dilemme entre exploration et exploitation. Les solutions usuelles pour résoudre ce dilemme dans ce contexte font usage du principe d'Optimisme Face à l'Incertitude. Dans cette thèse, nous montrons donc qu'il est possible d'adapter ce principe au problème d'apprentissage actif pour la classification. Pour cela, plusieurs algorithmes ont été être développés pour des classifieurs de complexité croissante, chacun utilisant le principe de l'Optimisme Face à l'Incertitude, et leurs résultats ont été évalués empiriquement
Document type :
Theses
Complete list of metadatas

Cited literature [77 references]  Display  Hide  Download

https://hal.univ-lorraine.fr/tel-01752359
Contributor : Thèses Ul <>
Submitted on : Thursday, March 29, 2018 - 1:43:12 PM
Last modification on : Tuesday, April 10, 2018 - 1:26:58 AM

File

DDOC_T_2016_0084_COLLET.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : tel-01752359, version 1

Collections

Citation

Timothé Collet. Méthodes optimistes d’apprentissage actif pour la classification. Autre [cs.OH]. Université de Lorraine, 2016. Français. ⟨NNT : 2016LORR0084⟩. ⟨tel-01752359⟩

Share

Metrics

Record views

85

Files downloads

305