Classification supervisée à Multi-étiquettes en présence de classes déséquilibrées et de distributions incertaines

Minimax learning for multi-label classification face to imbalanced classes and prior probability shifts

• Auteur / Autrice : Salvador Madrigal castillo
• Direction : Cyprien Gilet, Vu Linh Nguyen
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 30/09/2024
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : Sciences pour l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Heuristique et diagnostic des systèmes complexes

Mots clés

Mots clés libres

Multi-étiquettes

Classification supervisée

Classes déséquilibrées

Distributions incertaines

Prior probability shifts

Minimax learning

Multi-label classification

Imbalanced classes

Résumé

L'objectif de ce projet sera de traiter des problèmes de classification supervisée à multi-étiquettes lorsque certaines classes sont déséquilibrées, lorsque des changements de probabilité a-priori peuvent survenir et en considérant des données mixtes (imagerie, variables descriptives numériques et catégorielles). Ces difficultés apparaissent en effet souvent dans différents domaines d'applications réelles telle que la médecine de précision, la détection d'anomalie, la detection de pannes, etc. À travers ce projet de recherche, notre objectif sera de développer un nouvel algorithme de classification supervisée à multi-étiquettes visant à être robuste face aux difficultés mentionnées précédemment. Nous construirons principalement notre recherche dans le contexte d'application de la médecine de précision, même si ces recherches seront ensuite facilement applicables dans d'autres contextes d'applications critiques (détection d'anomalie, detection de pannes). Pour construire notre nouvel algorithme, nous nous baserons sur la théorie des classifieur Minimax ainsi que de la théorie de classification supervisée à multi-étiquettes en présence de données mixtes.

The objective of this project will be to develop a new supervised classification algorithm for dealing with multi-label outputs, imbalanced classes, prior probability shifts (when the a-priori probability can change between the training set and test samples), and when considering mixed data (imagery, numerical and categorical descriptive variables). These difficulties often occur in several real application fields such as precision medicine, anomaly detection, fault detection. Through this research project, our objective will be to develop a new supervised multi-label classification algorithm that aims te become robust face to the difficulties mentioned above. We will mainly build our research in the application context of precision medicine, even if this research will then be easily applicable in other critical application contexts (anomaly detection, fault detection). To build our new algorithm, we will focus on the theory of Minimax classifiers as well as the theory of supervised multi-label classification in the presence of mixed data.