Nouvelles méthodes pour l’apprentissage multi-objectifs
FR |
EN
Auteur / Autrice : | Shameem Ahamed Puthiya Parambath |
Direction : | Nicolas Usunier, Yves Grandvalet |
Type : | Thèse de doctorat |
Discipline(s) : | Computer Science : Unité de recherche Heudyasic (UMR-7253) |
Date : | Soutenance le 16/12/2016 |
Etablissement(s) : | Compiègne |
Ecole(s) doctorale(s) : | École doctorale 71, Sciences pour l'ingénieur (Compiègne) |
Partenaire(s) de recherche : | Laboratoire : Heuristique et Diagnostic des Systèmes Complexes [Compiègne] / Heudiasyc |
Mots clés
FR |
EN
Mots clés contrôlés
Mots clés libres
Résumé
FR |
EN
Les problèmes multi-objectifs se posent dans plusieurs scénarios réels dans le monde où on doit trouver une solution optimale qui soit un compromis entre les différents objectifs en compétition. Dans cette thèse, on étudie et on propose des algorithmes pour traiter les problèmes des machines d’apprentissage multi-objectif. On étudie deux méthodes d’apprentissage multi-objectif en détail. Dans la première méthode, on étudie le problème de trouver le classifieur optimal pour réaliser des mesures de performances multivariées. Dans la seconde méthode, on étudie le problème de classer des informations diverses dans les missions de recherche des informations.