Apprentissage de modèles latents avec des données partiellement etiquetées

Learning aspect models with partially labeled data

• Auteur / Autrice : Anastasia Krithara
• Direction : Patrick Gallinari
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2008
• Etablissement(s) : Paris 6

Mots clés

Mots clés libres

Modèles d'aspect

Apprentissage semi-supervisé

Apprentissage actif

Catégorisation

Plsa

Résumé

L'apprentissage automatique a été utilisé pour diverses tâches d'accès à l'information, tels que la catégorisation, le clustering ou l'extraction d'information. Acquérir les données annotées nécessaires pour appliquer les techniques d'apprentissage supervisé est un défi majeur pour cesapplications, en particulier pour les très grandes collections. Au coursdes dernières années, deux grandes approches ont été explorées dans cesens, l'apprentissage semi-supervisé et l'apprentissage actif. Les deuxparadigmes abordent la question du coût d'annotation, mais de deux pointsde vue différents. D'une part, apprentissage semi-supervisé essaied'apprendre en tenant compte à la fois des données annotées etnon-annotées. D'autre part, l'apprentissage actif tente de trouver lesmeilleurs exemples à annoter, afin de réduire au minimum le nombre d'exemples annotés nécessaire. Dans ce travail, nous étudions des extensions de modèles d'aspect pour la tâche de la classification, où les données sont partiellement annotées.