Méthodes d'ensemble en inférence grammaticale : une approche à base de moindres généralisés

Autor: Torre, Fabien, Terlutte, Alain
Přispěvatelé: Laboratoire d'Informatique Fondamentale de Lille (LIFL), Université de Lille, Sciences et Technologies-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lille, Sciences Humaines et Sociales-Centre National de la Recherche Scientifique (CNRS), Modeling Tree Structures, Machine Learning, and Information Extraction (MOSTRARE), Université de Lille, Sciences et Technologies-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lille, Sciences Humaines et Sociales-Centre National de la Recherche Scientifique (CNRS)-Université de Lille, Sciences et Technologies-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lille, Sciences Humaines et Sociales-Centre National de la Recherche Scientifique (CNRS)-Inria Lille - Nord Europe, Institut National de Recherche en Informatique et en Automatique (Inria), Younès Bennani and Céline Rouveirol
Jazyk: francouzština
Rok vydání: 2009
Předmět:
Zdroj: 11e Conférence francophone sur l'Apprentissage automatique (CAp'2009)
11e Conférence francophone sur l'Apprentissage automatique (CAp'2009), May 2009, Hammamet, Tunisie. pp.33-48
Popis: National audience; Nous présentons un cadre général pour la classification supervisée basé sur la notion de moindre généralisé (généralisation minimale d'un ensemble d'exemples). Nous montrons que le fait de définir cette opération dans l'espace d'hypothèses choisi met à notre disposition, sans effort supplémentaire, plusieurs algorithmes d'apprentissage supervisé à plusieurs classes, en particulier des méthodes d'ensemble (de boosting par exemple). Après avoir décrit cette architecture générique, nous expliquons son utilisation pour l'inférence grammaticale : le calcul du moindre généralisé y est un apprentissage à partir d'exemples positifs seuls comme ceux effectués par les algorithmes TSSI et ZR. Des classifications efficaces de séquences sont alors possibles par vote de plusieurs automates élémentaires. Des expérimentations valident notre approche et nous discutons des intérêts et implications de ces idées.
Databáze: OpenAIRE
Externí odkaz: