La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

1 Kernels on Structured Objects Through Nested Histograms Marco Cuturi, Kenji Fukumizu Présenté par : Ounas ASFARI Ounas ASFARI Apprentissage et Fouille.

Présentations similaires


Présentation au sujet: "1 Kernels on Structured Objects Through Nested Histograms Marco Cuturi, Kenji Fukumizu Présenté par : Ounas ASFARI Ounas ASFARI Apprentissage et Fouille."— Transcription de la présentation:

1 1 Kernels on Structured Objects Through Nested Histograms Marco Cuturi, Kenji Fukumizu Présenté par : Ounas ASFARI Ounas ASFARI Apprentissage et Fouille de Données Proposé par : Michèle Sebag Michèle Sebag

2 2 Plan - Définition - objectif - noyaux d é finis par des partitions - Factorisation de noyau - conclusion

3 3 Définition : Un noyau est une mesure de similarité définie entre deux objets dun même ensemble. Soit, une fonction à valeurs réelles de deux variables prises sur un ensemble X. X peut-être un espace vectoriel ou non (chaînes, arbres, graphes). La "qualité" de cette mesure de similarité est un enjeu majeur pour sassurer des bonnes performances des méthodes à noyaux.

4 4 Définition : - P.d. sont les fonctions qui peuvent comparer les objets s, t par leur somme s + t.

5 5 objectif - on propose une famille des noyaux pour les objets structur é s qui est bas é e sur le paradigme ensembles des components.(d é composer chaque objet complexe en histogramme simple de ses composants). - On utilise pour chaque objet une famille des histogrammes nich é s, o ù chaque histogramme dans cette hi é rarchie d é crit l'objet vu d'une perspective granulaire. - Nous employons cette hi é rarchie des histogrammes pour d é finir les noyaux é l é mentaires qui peuvent d é tecter des similitudes brutes et fines entre les objets.

6 6 objectif - on calcule un m é lange de tels noyaux sp é cifiques, pour proposer une valeur finale de noyau qui a efficacement les matchs locaux et globaux. - on propose les r é sultats exp é rimentaux sur une exp é rience de r é cup é ration d'image qui prouvent que notre approche est efficace et peut être vue comme proc é d é de calibre à utiliser avec des noyaux sur des histogrammes.

7 7 Représentation de mesure des objets complexes objets complexes peuvent souvent être décomposés en composants dans un ensemble X. Un long séquence dans n-grammes : AABHLKFHGH... · · ·HAABGJY HLKA.. {(AAB, 2), (HLK, 2), (FHG, 1) · · · } Un texte comme ensemble des mots : the cat eats the mouse {(the, 2), (cat, 1), · · · } Une image comme histogramme de couleurs,

8 8 Measure representations Une image comme ensemble des Pixel :

9 9 Limitations d'une représentation simple de mesure Limitations d'une représentation simple de mesure - L'ensemble nich é de repr é sentation de composants peut am é liorer la repr é sentation avec des r é solutions plus fines.

10 10 Quelques représentations de multirésolution: Images, avec les histogrammes nichés de couleurs:

11 11 séquence des lettres{A,B,C}, avec un suffixe-arbre : chaque paramètre µs = [as, bs, cs] compte la fréquence de lettres après le contexte S.

12 12 noyaux définis par des partitions - Cr é er les noyaux é l é mentaires des similitudes locales: Supposer que L est un ensemble d'index, et consid é rer les familles μ = {μt}t L li é de mesures μt de Mb+(X) class é sur L Donn é un noyau arbitraire k sur Mb+(X) et un t L de l' é tiquette mesure la similitude du μ et μ de vus par l'étiquette T. : prolongation à un ensemble T L des étiquettes groupées :

13 13 Sp é cifique noyaux Partition - Laisser P être une partition de L, celui est une famille finie P = (T1, …, Tn) des ensembles de L, Consid é rer maintenant le noyau d é fini par une partition P : des partitions avec un granularité croissant peuvent être obtenues par une structure hiérarchique sur le L. Une hiérarchie est une famille des partition, telles que chaque sous-ensemble T en Pd, est divisé dans Pd+1.

14 14 la moyenne des noyaux sp é cifique partition: п est une mesure antérieure sur l'ensemble correspondant de partitions pd et k est un noyau sur le Mb +(X) × Mb +(X)

15 15 Factorisation de noyau Proposer pour les deux éléments, μ, μ de ML(X), définir pour T enjambant périodiquement de plus fin à plus brut tous les ensembles contenus en Pd, PD1,…, P0, la quantité KT ci-dessous ; Donc, k п (μ, μ) est recherché par le kL (la valeur au noeud de racine)

16 16 Conclusion L'algorithme peut être prolong é aux noyaux pour les vecteurs pour lesquels nous pouvons assumer une connaissance hi é rarchique entre les coordonn é es. Ce cadre est li é au noyau multiple apprenant, mais ici nous employons les combinaisons alg é briques plutôt que l'additif, et employons un ant é rieur sans l' é valuation des poids.

17 17 Merci Questions ?


Télécharger ppt "1 Kernels on Structured Objects Through Nested Histograms Marco Cuturi, Kenji Fukumizu Présenté par : Ounas ASFARI Ounas ASFARI Apprentissage et Fouille."

Présentations similaires


Annonces Google