Clustering Spectral semi-supervisé avec propagation automatique des contraintes par paires

Abstract

Dans un monde guide par les donnees, la classification est un outil essentiel pour aider les utilisateurs a apprehender la structure de ces donnees. Les techniques d’apprentissage supervise permettent d’obtenir de tres bonnes performances lorsque l’on dispose d’une base annotee, mais un risque de sur-apprentissage existe toujours. Il existe de nombreuses techniques de classification non supervisee qui cherchent a construire la structure des donnees sans disposer de donnees d’entrainement. Mais dans des contextes difficiles les resultats sont moins bons que ceux de l’apprentissage supervise. Pour ameliorer les performances, un bon compromis est d’apporter de la connaissance seulement sur les elements (classes et objets) ambigues. Dans ce contexte, cet article s’interesse au Clustering Spectral et a l’ajout de contrainte par paires. Nous introduisons une nouvelle generalisation de la propagation des contraintes qui maximise la qualite de partitionnement tout en reduisant les couts d’annotation.