2008 - Apprentissage spectral

2008 - Apprentissage spectral - Apprentissage spectral...

Info iconThis preview shows pages 1–8. Sign up to view the full content.

View Full Document Right Arrow Icon
Apprentissage spectral Papier : Spectral learning S. D. Kamvar, D. Klein, C. D. Manning International Joint Conference on Artificial Intelligence 2003 D. Hamad Réunion ClaSpec LASL 10 janvier 2008
Background image of page 1

Info iconThis preview has intentionally blurred sections. Sign up to view the full version.

View Full DocumentRight Arrow Icon
2 Hypothèses de base z Données sous forme d'un tableau numérique ou points dans un espace multidimensionnel : z Sans labels Æ non supervisé z Avec labels Æ supervisé z Avec labels pour certains points Æ semi supervisé z Données sous forme d'une matrice d'affinité : z Pas de connaissance a priori z Connaissance sous contraintes : "must links", "cannot links" z Hypothèse de départ : Les méthodes spectrales fonctionnent sur l'hypothèse de la disponibilité d'une matrice d'affinité
Background image of page 2
3 X Y Semi supervisées X Non supervisées : information présente z Selon les connaissances a priori dont on dispose sur les labels des données, les méthodes de classification sont de types : X Y Supervisées Observations Labels ? ? ? : information absente Données et méthodes de classification
Background image of page 3

Info iconThis preview has intentionally blurred sections. Sign up to view the full version.

View Full DocumentRight Arrow Icon
4 Cas non supervisée z Matrice de données Æ Matrice d'affinité A Non-supervisées x1 x2 xi xn Matrice d'affinité Matrice de données x1 x2 xi xn x1 x2 xj xn A ij = Exp[-d(x i , x j )/2] A ij
Background image of page 4
5 Cas semi-supervisé z Modification du modèle : introduction de données avec labels z Définir la matrice d'affinité comme en non supervisée z Pour chaque couple de points dans la même classe faire : A ij = A ji = 1 z Pour un couple de points de classes différentes faire : A ij = A ji = 0 z Normaliser pour obtenir N
Background image of page 5

Info iconThis preview has intentionally blurred sections. Sign up to view the full version.

View Full DocumentRight Arrow Icon
6 Cas semi-supervisé z Matrice de données Æ matrice d'affinité x1 x2 xi xn x1 x2 xj xn 0 1 0 X Semi-supervisées x1 x2 xi xn Y A ij
Background image of page 6
7 Cas donnée sous constraintes
Background image of page 7

Info iconThis preview has intentionally blurred sections. Sign up to view the full version.

View Full DocumentRight Arrow Icon
Image of page 8
This is the end of the preview. Sign up to access the rest of the document.

This note was uploaded on 11/29/2010 for the course DEC 123 taught by Professor Fr during the Spring '10 term at ENS Cachan.

Page1 / 21

2008 - Apprentissage spectral - Apprentissage spectral...

This preview shows document pages 1 - 8. Sign up to view the full document.

View Full Document Right Arrow Icon
Ask a homework question - tutors are online