ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Autres revues >>

Ingénierie des Systèmes d'Information

Networking and Information Systems
1633-1311
Revue des sciences et technologies de l'information
 

 ARTICLE VOL 15/2 - 2010  - pp.97-119  - doi:10.3166/isi.15.2.97-119
TITRE
Un graphe génératif pour la classification semi-supervisée

TITLE
Generative graph for semi-supervised classification

RÉSUMÉ
Nous proposons un nouvel algorithme semi-supervisé qui combine un modèle de mélange gaussien pour modéliser localement les données, et un graphe génératif construit sur les composants du mélange pour capturer la structure globale des données. La combinaison est réalisée via un processus de propagation d'étiquettes au travers du graphe. Contrairement aux algorithmes de l'état de l'art, le modèle de graphe utilisé est génératif de telle sorte que son optimisation peut être effectuée à l'aide de l'algorithme EM (espérancemaximisation) afin de maximiser sa vraisemblance. De plus, l'unique métaparamètre (le nombre de composants du mélange) peut être sélectionné par un critère statistique. L'algorithme obtient des résultats expérimentaux similaires aux algorithmes comparables lorsque le nombre de données étiquetées est faible, et offre l'avantage de n'avoir aucun paramètre à régler manuellement.


ABSTRACT
We introduce a new semi-supervised algorithm based on a generative model. This model combines a Gaussian mixture model and a generative graph built on the components of this mixture. The combination corresponds to refit the class membership of the mixture component with a propagation process. Both models can be optimized under the maximum likelihood framework and the only hyper-parameter (number of components of the mixture) can be selected with a statistical criterion. Experimental results show that we achieve accuracies comparable to those of rival state-of-the-art algorithms when few labeled data are available. Moreover, it offers the advantage of defining an objective statistical criterion for tuning its parameters, cancelling the need for arbitrary hand-tuning.


AUTEUR(S)
Pierre GAILLARD, Michaël AUPETIT, Gérard GOVAERT

MOTS-CLÉS
apprentissage semi-supervisé, modèle de mélange, graphe génératif, propagation.

KEYWORDS
semi-supervised learning, mixture model, generative graph, label spreading.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 12.5 €
• Non abonné : 25.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (1,40 Mo)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier