Discrimination robuste par méthode à noyaux

Robust discrimination using kernel approach

• Auteur / Autrice : Antoine Lachaud
• Direction : Stéphane Canu
• Type : Thèse de doctorat
• Discipline(s) : Informatique. Apprentissage statistique
• Date : Soutenance le 17/12/2015
• Etablissement(s) : Rouen, INSA
• Ecole(s) doctorale(s) : École doctorale sciences physiques mathématiques et de l'information pour l'ingénieur (Saint-Etienne-du-Rouvray, Seine-Maritime ; ....-2016)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, de traitement de l'information et des systèmes (Saint-Etienne du Rouvray, Seine-Maritime ; 2006-...) - Laboratoire d'intégration des systèmes et des technologies (Gif-sur-Yvette, Essonne ; 2001-....)
• Jury : Président / Présidente : Laurent Heutte
• Jury : Examinateurs / Examinatrices : Stéphane Canu, Laurent Heutte, Massih-Reza Amini, Frédéric Precioso, Antoine Cornuéjols, Frédéric Suard
• Jury : Rapporteur / Rapporteuse : Massih-Reza Amini, Frédéric Precioso

Mots clés

Mots clés contrôlés

Noyaux (analyse fonctionnelle)

Espaces de Hilbert

Apprentissage automatique

Machines à vecteurs de support

Algorithmes

Mots clés libres

Méthode à noyaux

Théorie sous-différentielle

Discrimination robuste

DRSVM

Kernel Basis

Support vector machines

Résumé

La thèse porte sur l'intégration d éléments explicatifs au sein d'un modèle de classification. Plus précisément la solution proposée se compose de la combinaison entre un algorithme de chemin de régularisation appelé DRSVM et une approche noyau appelée KERNEL BASIS. La première partie de la thèse consiste en l'amélioration d'un algorithme appelé DRSVM à partir d'une reformulation du chemin via la théorie de la sous-différentielle. La seconde partie décrit l'extension de l'algorithme DRSVM au cadre KERNEL BASIS via une approche dictionnaire. Enfin une série d'expérimentation sont réalisées afin de valider l'aspect interprétable du modèle.

This thesis aims at finding classification rnodeIs which include explanatory elements. More specifically the proposed solution consists in merging a regularization path algorithm called DRSVM with a kernel approach called KERNEL BASIS. The first part of the thesis focuses on improving an algorithm called DRSVM from a reformulation of the thanks to the suh-differential theory. The second part of the thesis describes the extension of DRSVM afgorithm under a KERNEL BASIS framework via a dictionary approach. Finally, a series of experiments are conducted in order to validate the interpretable aspect of the rnodel.