lipn

Laboratoire d'Informatique de Paris Nord

UMR 7030, Université Paris 13, 99 avenue Jean-Baptiste Clément, 93430 Villetaneuse

up13 cnrs

Apprentissage non supervisé collaboratif à partir de données distribuées

 

Nous nous plaçons dans le cas où nous disposons d'une collection d'ensembles de données distribuées sur différents sites. Une approche collaborative permet de distribuer les classifications et procéder a posteriori à un enrichissement des différents résultats. Notre approche opère en deux phases : une phase locale qui consiste à appliquer un algorithme de classification localement et indépendamment sur chacune des bases de données et une phase de collaboration, qui consiste à faire collaborer chacune des bases de données avec toutes les classifications obtenues lors de la phase locale. On obtient ainsi comme résultat sur chacun des sites une classification proche de la classification qu'on aurait obtenue en faisant collaborer les bases de données elles-mêmes. A l'issue des deux phases, toutes les classifications sont enrichies.

Résultats :

  • Approche de classification collaborative permettant de tenir compte dans une classification non supervisée d'autres résultats de classifications sans avoir recours aux données utilisées par ces dernières [1, 2]. Une reformulation mathématique de ces approches d'apprentissage collaboratif dans le cadre de l'inférence variationnelle est en cours.

Références

  1. Nistor Grozavu and Younès Bennani. « Topological collaborative clustering » Australian Journal of Intelligent Information Processing Systems, 12(3), 2010. (Machine Learning Applications - Part I)
  2. Nistor Grozavu, Mohamad Ghassany, and Younès Bennani. « Learning confidence exchange in collaborative clustering », In Proceedings of the International Joint Conference on Neural Networks (IJCNN 2011), pages 872-879, San Jose, California, USA, Aug 2011. IEEE.

pres

w3c-xhtml