Réinitialiser mot de passe
E-mail
Password
RNTI

MODULAD
Transformation de l'espace de description pour l'apprentissage par transfert
In EGC 2012, vol. RNTI-E-23, pp.329-334
Résumé
Dans ce papier, nous proposons une étude sur l'utilisation de l'apprentissage
topologique pondéré et les méthodes de factorisation matricielle pour
transformer l'espace de représentation d'un jeu de données "sparse" afin d'augmenter
la qualité de l'apprentissage, et de l'adapter au cas de l'apprentissage
par transfert. La factorisation matricielle nous permet de trouver des variables
latentes et l'apprentissage topologique pondéré est utilisé pour détecter les plus
pertinentes parmi celles-ci. La représentation de nouvelles données est basée sur
leurs projections sur le modèle topologique pondéré.
Pour l'apprentissage par transfert, nous proposons une nouvelle méthode où la
représentation des données est faite de la même manière que dans la première
phase, mais en utilisant un modèle topologique élagué.
Les expérimentations sont présentées dans le cadre d'un Challenge International
où nous avons obtenu des résultats prometteurs (5ieme rang de la compétition
internationale).
1 Introduction