Thèse de Ouadie Gharroudi


Sujet :
Apprendre des donnes multi-label

Résumé :

Plusieurs tâches d’apprentissage issues des problématiques du monde réel impliquent simultanément plusieurs concepts au lieu d'un seul. Il s’agit d’associer simultanément à chaque instance (données) plusieurs étiquettes. Ce type d’apprentissage, connue sous le nom de multi-label classification, émerge de nombreux domaines, tels que la catégorisation des textes, l'analyse des fonctions génétiques, l’annotation d'image…. Plusieurs variétés d’algorithmes ont été proposées pour le traitement de ce type de données. Cependant, moins d’attention a été accordées aux particularités présentent dans les données multi-label issues du monde réel dont la taille ne cesse d’accroître. Les algorithmes Multi-label sont particulièrement sensibles aux problèmes liés à cette caractéristique : la complexité des corrélations entre les labels, le niveau de déséquilibre dans l’étiquetage des labels et l’insuffisance des données étiqueté. L'objectif de cette thèse est de proposer des approches capables d’aborder ces particularités dans les données multi-label en assurant un niveau de performance élevé.


Encadrant : Alexandre Aussem
Co-encadrant : Haytham Elghazel

Date de soutenance : jeudi, 21 décembre, 2017