Learning aspect models with partially labeled data

par Anastasia Krithara

Thèse de doctorat en Informatique

Sous la direction de Patrick Gallinari.

Soutenue en 2008

à Paris 6 .

  • Titre traduit

    Apprentissage de modèles latents avec des données partiellement etiquetées


  • Pas de résumé disponible.


  • Résumé

    L'apprentissage automatique a été utilisé pour diverses tâches d'accès à l'information, tels que la catégorisation, le clustering ou l'extraction d'information. Acquérir les données annotées nécessaires pour appliquer les techniques d'apprentissage supervisé est un défi majeur pour cesapplications, en particulier pour les très grandes collections. Au coursdes dernières années, deux grandes approches ont été explorées dans cesens, l'apprentissage semi-supervisé et l'apprentissage actif. Les deuxparadigmes abordent la question du coût d'annotation, mais de deux pointsde vue différents. D'une part, apprentissage semi-supervisé essaied'apprendre en tenant compte à la fois des données annotées etnon-annotées. D'autre part, l'apprentissage actif tente de trouver lesmeilleurs exemples à annoter, afin de réduire au minimum le nombre d'exemples annotés nécessaire. Dans ce travail, nous étudions des extensions de modèles d'aspect pour la tâche de la classification, où les données sont partiellement annotées.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (XX-126 p.)
  • Annexes : Bibliogr. p. 113-126. 135 réf. bibliogr.

Où se trouve cette thèse ?

  • Bibliothèque : Université Pierre et Marie Curie. Bibliothèque Universitaire Pierre et Marie Curie . Section Mathématiques-Informatique Recherche.
  • Consultable sur place dans l'établissement demandeur
  • Cote : T Paris 6 2008 59
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.