BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//wp-events-plugin.com//7.2.3.1//EN
TZID:Europe/Paris
X-WR-TIMEZONE:Europe/Paris
BEGIN:VEVENT
UID:5533@i2m.univ-amu.fr
DTSTART;TZID=Europe/Paris:20131216T140000
DTEND;TZID=Europe/Paris:20131216T160000
DTSTAMP:20241210T160134Z
URL:https://www.i2m.univ-amu.fr/evenements/phd-defense-sokol-koco-lif-meth
 odes-ensemblistes-pour-des-problemes-de-classification-multi-vues-et-multi
 -classes-avec-desequilibres/
SUMMARY:Sokol Koço (LIF\, Aix-Marseille Université): Méthodes ensemblist
 es pour des problèmes de classification multi-vues et multi-classes avec 
 déséquilibres
DESCRIPTION:Sokol Koço: Lieu: FRIIAM et FRUMAM\, 2ème étage du bâtiment
  de chimie (bâtiment 7/c1 sur le plan http://sciences.univ-amu.fr/sites/s
 ciences.univ-amu.fr/files/plan_du_site_st_charles_02-12.pdf)\nBy Sokol Ko
 ço\, LIF\, Marseille.\nRésumé de la thèse : De nos jours\, dans plusie
 urs domaines\, tels que la bio-informatique ou le multimédia\, les donné
 es peuvent être représentées par plusieurs ensembles d'attributs\, appe
 lés des vues. Bien que représentant les mêmes objets\, chaque vue est p
 lus ou moins adaptée à une tâche d'apprentissage donnée. Pour une tâc
 he de classification donnée\, nous distinguons deux types de vues : les v
 ues fortes sont celles adaptées à la tâche\, les vues faibles sont adap
 tées à une (petite) partie de la tâche \; en classification multi-class
 es\, chaque vue peut s'avérer forte pour reconnaître une classe\, et fai
 ble pour reconnaître d’autres classes : une telle vue est dite déséqu
 ilibrée. Les travaux présentés dans cette thèse s'inscrivent dans le c
 adre de l'apprentissage supervisé et ont pour but de traiter les question
 s d'apprentissage multi-vue dans le cas des vues fortes\, faibles et dés
 équilibrées.\nLa première contribution de cette thèse est un algorithm
 e d'apprentissage multi-vues théoriquement fondé sur le cadre de boostin
 g multi-classes utilisé par AdaBoost.MM. Le but de cet algorithme est d'a
 méliorer les performances des classifieurs appris sur les vues fortes en 
 utilisant des informations contenues dans les vues faibles et en établiss
 ant ainsi une coopération entre les vues.\nLa seconde partie de cette th
 èse concerne la mise en place d'un cadre général pour les méthodes d'a
 pprentissage de classes déséquilibrées (certaines classes sont plus rep
 résentées que les autres). Ce cadre consiste à utiliser la norme de la 
 matrice de confusion comme mesure d'erreur pour un classifieur donné. Dan
 s ce cadre\, nous proposons une extension de AdaBoost.MM permettant de pre
 ndre en compte des classes déséquilibrées.\nDans la troisième partie\,
  nous traitons le problème des vues déséquilibrées en combinant notre 
 approche des classes déséquilibrées et la coopération entre les vues m
 ise en place pour appréhender la classification multi-vues. Dans ce cas\,
  la coopération passe de l'espace d'entrée à celui de sortie\, ce qui p
 ermet de trouver la meilleure vue pour chaque classe. Plusieurs méthodes 
 basées sur cette idée sont proposées\, parmi lesquelles une méthode de
  boosting proche de la première méthode.\nAfin de tester les méthodes s
 ur des données réelles\, nous nous intéressons au problème de classifi
 cation d'appels téléphoniques\, qui a fait l'objet du projet ANR DECODA.
 Ainsi chaque partie traite différentes facettes du problème. La premièr
 e partie présente le problème en tant que problème multi-vues (sacs de 
 mots et de concepts\, prosodie\, mesures de l'interaction entre les locute
 urs\, etc.): est-ce que la séparation des vues\, traitées par coopérati
 on\, améliore les performances d'une fusion précoce de toutes ces vues? 
 Dans la seconde partie\, nous considérons le problème des classes désé
 quilibrées (par exemple\, il y a beaucoup plus d'appels concernant les it
 inéraires que les procès verbaux). La troisième partie regroupe les asp
 ects multi-vues et les déséquilibres entre classes.\n\nRapporteurs :\nMa
 rc Sebban\, Université Jean Monnet de Saint-Etienne\nFrançois Yvon\, Uni
 versité Paris Sud\n\nExaminateurs :\nGéraldine Damnati\, Orange Labs\nLi
 va Ralaivola\, Aix*Marseille Université\nNicolas Usunier\, Université Te
 chnologique de Compiègne\n\nDirecteurs :\nFrédéric Béchet\, Aix*Marsei
 lle Université\nCécile Capponi\, Aix*Marseille Université
CATEGORIES:Soutenance de thèse
END:VEVENT
BEGIN:VTIMEZONE
TZID:Europe/Paris
X-LIC-LOCATION:Europe/Paris
BEGIN:STANDARD
DTSTART:20131027T020000
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
END:STANDARD
END:VTIMEZONE
END:VCALENDAR