Vers un apprentissage multi-label rapide en grande dimension – Une étude préliminaire

Wissam Siblini (1, 2) , Pascale Kuntz (1) , Frank Meyer (2)

1 LINA - Laboratoire d'Informatique de Nantes Atlantique
2 Orange Labs [Lannion]

Des besoins actuels orientent la recherche en apprentissage multi-label interactif vers l'intégration d'un très grand nombre de variables à la fois en entrée et en sortie. Pour s'adapter à ce cadre, nous nous intéressons particulièrement à des algorithmes qui apprennent par l'intermédiaire d'une réduction de dimension. Dans cette étude, nous en comparons expérimentalement trois (SSI, CCA et Gravity) sur des données réelles et des données synthétiques engendrées pour tester leur capacité à extraire les informations pertinentes, leur tenue de charge et leur prise en compte d'un contexte très simple.

Mots clés: Gravity; Supervised Semantic Indexing; Canonical Regression Analysis

Mots clés: Apprentissage multi-label interactif; Jeux de données synthétiques; Comparaison d'algorithmes; Extration d'information; Prise en compte du contexte; Reduction de dimension; Grande dimension; Ohsumed

Domaines: Informatique [cs]

Wissam Siblini, Pascale Kuntz, Frank Meyer. Vers un apprentissage multi-label rapide en grande dimension – Une étude préliminaire. Conférence AAFD & SFC 2016, May 2016, Marrakech, Maroc. ⟨hal-01396873⟩