Réinitialiser mot de passe
E-mail
Password
RNTI

MODULAD
Post-traitement pour la classification probabiliste non supervisée sous contraintes
In EGC 2020, vol. RNTI-E-36, pp.169-180
Résumé
Le clustering sous contraintes permet d’intégrer des connaissances expertes, que ce soit des contraintes classiques must-link ou cannot-link ou des
contraintes plus complexes. La plupart des algorithmes de clustering probabilistes intègrent les contraintes en ajoutant un terme dans la fonction objectif
représentant leur satisfaction. Ils intègrent donc difficilement différents types de
contraintes et ne garantissent pas la satisfaction de toutes les contraintes. Nous
proposons une méthode qui, à partir du résultat d’un algorithme de clustering
sous la forme d’une matrice de probabilité d’affectation de points aux clusters,
trouve la meilleure affectation qui satisfasse toutes les contraintes. Cette méthode peut s’appliquer à tout algorithme probabiliste y compris ceux utilisant
l’apprentissage profond. Les expérimentations montrent que notre méthode est
compétitive avec des méthodes parmi les plus récentes.