Apprentissage semi-supervisé Extrait de : http://www.public.asu.edu/~jye02
Position du Problème Données avec labels Labels des données (0 ou 1) But : prédire les labels des données sans labels X y Données sans labels
Apprentissage semi-supervisé Apprentissage semi-supervisé pour améliorer les performances en combinant les données avec labels (peu) et sans labels (beaucoup) Classification semi-supervisée (discrimination) : entraîner sur des données avec labels et exploiter les données (beaucoup) sans labels pour améliorer les performances Clustering semi-supervisé : clustering des données sans labels en s'aidant des données avec labels ou paires de contraintes Clustering Apprentissage Semi-supervisé Classification
Hypothèse de classe Hypothèse de base pour la plupart des algorithmes d'apprentissage semi-supervisés Points proches ont probablement le même label de classe Deux points qui sont connectés par un chemin traversant des régions de forte densités doivent avoir le même label. Autrement dit les frontières de décision doivent appartenir à des régions de faible densité.
Classification Inductive vs.Transductive Transductive : Fournit le label uniquement pour les données disponibles non labellisées La sortie de la méthode n'est pas un classifieur Inductive: Produit non seulement des labels pour données non labellisées, mais aussi produit un classifieur
Exemple de Classification Semi-Supervisée . . . .
Exemple de Classification Semi-Supervisée . . . . . . . . . . . . . . . . . . . .
Exemple de Classification Semi-Supervisée . . . . . . . . . . . . . . . . . . . .
Deux approches algorithmiques Méthodes à base de classifieur. On part de l'état initial d'un classifieur et on l'améliore d'une manière itérative : EM semi-supervisé Co-Training Mélange d'information complet ou incomplet de données Méthodes à base de données. Découvrir la géométrie inhérente dans les données et l'exploiter pour rechercher un bon classifieur : Algorithmes à base de graphes Régularisation manifold Mélange harmonique Régularisation d'information hypothèses: Connu : un ensemble de classes de données avec labels But : améliorer la classification des exemples dans ces catégories connues
Clustering Semi-Supervisé Connaissance du domaine Information partielle Appliquer certaines contraintes (must-links et cannot links) Approches Search-based Semi-Supervised Clustering Modifier l'algorithme clustering en y intégrant les contraintes (must-links, cannot-links) Similarity-based Semi-Supervised Clustering Modifier la mesure de similarités basée sur les contraintes Combinaison des deux.
Clustering Semi-Supervisé : Exemple 1 . . . . . . . . . . . . . . . . . . . .
Clustering Semi-Supervisé : Exemple 1 . . . . . . . . . . . . . . . . . . . .
Clustering Semi-Supervisé : Exemple 2 . . . . . . . . . . . . . . . . . . . .
Clustering Semi-Supervisé : Exemple 2 . . . . . . . . . . . . . . . . . . . .
Clustering semi-supervisé : Entrée : Un ensemble d'objets sans labels, chacun est décrit par un ensemble d'attributs (numériques ou catégoriels) Une faible connaissance du domaine Sortie : Partitionnement des objets en k classes Objectif : Similarité intra-cluster maximum Similarité inter-cluster minimum Une grande consistance entre partition et connaissances du domaine
Pourquoi clustering semi-supervisé ? Pourquoi clustering seul insuffiant ? Les classes obtenues peuvent ne pas être ceux demandées Parfois, il y a plusieurs choix de groupements Pourquoi discrimination seule insuffisante ? Parfois on n'a pas assez de données avec labels Applications potentielles Bioinformatique (clustering gêne et protéine) Construction de hiérarchies de documents Catégorisation de News/email catégorisation d'Images
Classification semi-supervisée c'est quoi ? Utilise un faible nombre de données avec labels pour labelliser un grand nombre de données sans labels Labelliser est coûteux Idée de base Données similaires doivent avoir le même label de classe Exemples Classification pages Web Classification de documents Classification de protéines
K-Means Semi-Supervisé Seeded K-Means: Labeled data provided by user are used for initialization: initial center for cluster i is the mean of the seed points having label i. Seed points are only used for initialization, and not in subsequent steps. Constrained K-Means: Labeled data provided by user are used to initialize K-Means algorithm. Cluster labels of seed data are kept unchanged in the cluster assignment steps, and only the labels of the non-seed data are re-estimated.
Seeded K-Means Use labeled data to find the initial centroids and then run K-Means. The labels for seeded points may change.
Constrained K-Means Use labeled data to find the initial centroids and then run K-Means. The labels for seeded points will not change.
Constrained K-Means Example
Constrained K-Means Example Initialize Means Using Labeled Data
Constrained K-Means Example Assign Points to Clusters
Constrained K-Means Example Re-estimate Means and Converge
COP K-Means COP K-Means [Wagstaff et al.: ICML01] is K-Means with must-link (must be in same cluster) and cannot-link (cannot be in same cluster) constraints on data points. Initialization: Cluster centers are chosen randomly, but as each one is chosen any must-link constraints that it participates in are enforced (so that they cannot later be chosen as the center of another cluster). Algorithm: During cluster assignment step in COP-K-Means, a point is assigned to its nearest cluster without violating any of its constraints. If no such assignment exists, abort.
Illustration Determine its label Must-link x x Assign to the red class
Illustration Determine its label Cannot-link Assign to the red class x
Illustration Determine its label Must-link Cannot-link x x Cannot-link The clustering algorithm fails
COP K-Means Algorithm
Other search-based algorithms PC K-Means, Basu, et al. w is the penalty matrix Kernel-based semi-supervised clustering, Kulis, et al. Kernel K-Means reward
Overview of spectral clustering Compute the similarity matrix W and D. Form Form the matrix Y consisting of the first K eigenvectors of Normalize Y so that all the rows have unit lengths. Run K-Means on the rows to get the K clusters. (Ng, Jordan, and Weiss , NIPS’02) or Apply an iterative optimization to get the partition matrix. (Yu and Shi, ICCV’03)
Semi-supervised spectral clustering Compute the similarity matrix W and D. For each pair of must-link (i,j), assign For each pair of cannot-link (i,j), assign Form the matrix Form the matrix Y consisting of the first K eigenvectors of Normalize Y so that all the rows have unit lengths. Run K-Means on the rows to get the K clusters. (Ng, Jordan, and Weiss , NIPS’02) or Apply an iterative optimization to get the partition matrix. (Yu and Shi, ICCV’03)
Harmonic approach Paper: Semi-Supervised Learning Using Gaussian Fields and Harmonic functions. Zhu and et al. Basics Build the weighted graph The labels on the labeled data are fixed Determine the labels of the unlabeled data based on the cluster Assumption
Intuition is small Large weight Define a real-valued function f: V R on G with certain properties. Goal: determine the label of unlabeled data by f. Intuition: Nearby points in the graph have the same label. Optimization problem: Compute optimal f such that E(f) is minimized, subject to the constraint that the values of f on labeled data are fixed. Large weight is small
Intuition Non-differentiable f: discrete Determine the labels via thresholding The values of f on labeled data are fixed.
Main idea is small Large weight Define a real-valued function f: V R on G with certain properties. Goal: determine the label of unlabeled data by f. Intuition: Nearby points in the graph have the same label. Optimization problem: Compute optimal f such that E(f) is minimized, subject to the constraint that the values of f on labeled data are fixed. Large weight is small
Harmonic function on unlabeled points is the combinatorial laplacian. The optimization problem: The optimal solution f is harmonic: on unlabeled points where is the combinatorial laplacian.
Optimal solution in matrix form
Conclusion Domaine assez vaste : Clustering : K-means, Mixture, HMRF, Kernel K-means Projection : LLE, ISOMAP, Kernel PCA, ... On doit se consacrer à un champ particulier selon sa sensibilité Passer aux applications pour mettre en exergue la validité des approches