Plongement incrémental dans un contexte de dissimilarité
| Autor: | Hafiane, R., Luc Brun, Tabbone, S. |
|---|---|
| Přispěvatelé: | Tabbone, Salvatore, Querying Graphics through Analysis and Recognition (QGAR), Department of Natural Language Processing & Knowledge Discovery (LORIA - NLPKD), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Equipe Image - Laboratoire GREYC - UMR6072, Groupe de Recherche en Informatique, Image et Instrumentation de Caen (GREYC), Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Ingénieurs de Caen (ENSICAEN), Normandie Université (NU)-Normandie Université (NU)-Université de Caen Normandie (UNICAEN), Normandie Université (NU)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Ingénieurs de Caen (ENSICAEN), Normandie Université (NU), Université de Caen Normandie (UNICAEN), Normandie Université (NU)-Normandie Université (NU)-École Nationale Supérieure d'Ingénieurs de Caen (ENSICAEN), Normandie Université (NU)-Centre National de la Recherche Scientifique (CNRS)-Université de Caen Normandie (UNICAEN), Normandie Université (NU)-Centre National de la Recherche Scientifique (CNRS) |
| Jazyk: | francouzština |
| Rok vydání: | 2014 |
| Předmět: |
kernel methods
[INFO.INFO-CV] Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV] Classification and Clustering SVM [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV] [INFO.INFO-BI]Computer Science [cs]/Bioinformatics [q-bio.QM] chemoinformatics Regression [INFO.INFO-BI] Computer Science [cs]/Bioinformatics [q-bio.QM] |
| Zdroj: | Colloque International Francophone sur l’Écrit et le Document (CIFED) Colloque International Francophone sur l’Écrit et le Document (CIFED), Mar 2014, Nancy, France Scopus-Elsevier |
| Popis: | RÉSUMÉ. Le domaine de la reconnaissance statistique de formes est basé sur la représentation numérique des objets et peut donc être facilement combiné avec des méthodes d’apprentissage automatique. D’autre part, la reconnaissance structurelle de formes utilise un ensemble limité de méthodes d’apprentissage automatique mais encode une riche description des objets via les chaînes de caractères ou les graphes. Cette dernière décennie a vu l’émergence de deux tendances étroitement liées, visant à combler l’écart entre ces deux représentations en combinant leurs avantages respectifs : les méthodes à noyaux pour des graphes ou chaînes de caractères d’un côté et la représentation par dissimilarité de l’autre. Cependant, une large famille de méthodes de représentation par dissimilarité exigent la connaissance de l’univers en entier lors de la phase d’apprentissage afin de construire un plongement implicite des données structurelles. Cette dernière propriété est une limitation importante dans de nombreuses applications pratiques où l’ensemble de test est illimité et n’est pas connu lors de la phase d’apprentissage. De plus, l’exigence de l’ensemble d’apprentissage en entier représente en soi un obstacle pour le traitement des masses de données. Nous présentons dans cet article une solution pour surmonter ces limitations et montrons le lien entre cette solution et le contexte des noyaux. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|