Pascal Germain, Researcher in Machine Learning

This page is deprecated! My new webage is here.


L'apprentissage automatique s'intéresse à la création de programmes qui apprennent à effectuer une tâche par
l'observation d'exemples. En pratique, un algorithme d'apprentissage entraîne un classificateur par l'étude
d'une série d'éléments déjà classés (par exemple, des textes de critiques de films associés à une cote de 
1 à 5 étoiles). Ensuite, on utilise le classificateur obtenu afin de connaître la classe d'un nouvel élément
(on demande au classificateur de prédire la cote que donnera un utilisateur à un film en se basant sur le
texte de sa critique). 

Plus spécifiquement, le problème d'adaptation de domaine consiste à entraîner un classificateur sur une
distribution de données source qui diffère (plus ou moins légèrement) de la distribution des données cible sur
laquelle le classificateur devra effectuer une prédiction. Voici un exemple d'un tel problème: on possède deux 
ensembles de textes critiques concernant des films (le domaine source) et des livres (le domaine cible). Chaque
critique de film est accompagnée d'une cote, mais on ne possède pas la cote associée aux critiques de livres. À
partir de ces données, on désire entraîner un classificateur à prédire la cote d'un livre à partir de sa
critique. Lors de l'apprentissage, il faudra non seulement minimiser l'erreur sur la classification de livres, 
mais aussi "s'adapter" à la tâche de classification de films. Les travaux présentés se basent sur une théorie de 
l'adaptation de domaine qui affirme qu'une famille de classificateurs permet de s'adapter au domaine cible si elle:
(1) permet de bien classifier le domaine source; et 
(2) n'est pas capable de distinguer les exemples sources des exemples cibles. 

Nous intégrons cette idée à un algorithme d'apprentissage du type réseau de neurones. Notre algorithme trouve une
nouvelle représentation des exemples d'apprentissage pour laquelle le réseau de neurones possède les caractériques 
(1) et (2).

[ Link to text file ]

<< Go back.