Apprentissage et qualification des règles de décision multiclasses avec rejet sélectif et contraintes de performance

par Nisrine Jrad

Thèse de doctorat en Optimisation et sûreté des systèmes

Sous la direction de Pierre Beauseroy et de Edith Grall Maës.

Soutenue en 2009

à Troyes , dans le cadre de Ecole doctorale Sciences pour l'Ingénieur (Troyes, Aube) .


  • Résumé

    Ce document traite de l'apprentissage supervisé et de la qualification de règles de classification dans un cadre multihypothèse avec rejet sélectif et contraintes de performance. Le processus d'apprentissage consiste à formuler le problème d'apprentissage comme un problème d'optimisation avec contraintes. L'apprentissage est réalisé pour différentes familles de règles définissant géénratlement des ensembles de solutions de complexité croissante. Pour chaque règle, le critère optimisé dépend à la fois de la règle de décision et des poids attribue��s aux contraintes lors du processus d'apprentissage. La sélection d'une règle parmi les candidates nécessite la définition d'un critère commun. Une proposition de critère est faite et les modalités de son estimation sont discutées. Deux méthodes d'apprentissage, reposant respectivement sur une modélisation des densités de probabilité et sur des vecteurs support mono-classes sont introduites. Les deux approches sont évaluées sur des données réelles issues de bases de données trandard. Plusieurs extensions sont étudiées, notamment le traitement de contraintes évolutives dans le temps et l'utilisation du rejet sélectif dans des cascades de classifieurs pour améliorer la faibilité de la décision. Cette dernière approche est applirquée au diagnostic de tumeurs cancéreuses et apporte un gain de précision significatif

  • Titre traduit

    Supervised learning and quality assessment for multiclass problems with class-selective rejection and performance constraints


  • Résumé

    This thesis deals with supervised learning and quality assessment of a decision rule for multiclass problems with class-selective rejection and performance constraints. The learning process consists in solving and optimisation problem with constraints for a given model. Several families of decision rules with different complexity can be defined by restricting parameter domain. An optimal rule can be obtained within each family. In order to compare the different rules and chose the best one, a common criterion should be defined. This criterion should take into consideration the constraints. Thus, this criterion if function of the decision rule and the weights associated to each constraint. A performance criterion is proposed and its estimation is discussed. Two learning processes, givent by a class-modelling approache and a boundary approache, based on one class SVM, are presented. Synthetic complementary problems are also tackled such as learning decision rule for problems with time evoluarionary constraints or using a cascade classifier system with class-selective rejection to improve the accuracy of the decision. This latter study was applied to cancer tumours diagnosis and results in significant performance improvement

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (136 p.)
  • Annexes : Bibliogr. p. 125-136

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université de Technologie. Service commun de la documentation.
  • Disponible pour le PEB
  • Cote : THE 09 JRA
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.