Warith Harchaoui

Carte non disponible

Partitionnement par génération adversaire au sens de Wasserstein et mélange dans un espace latent

mardi 12 juin 2018, 13h30 - 14h30

Salle du conseil, espace Turing


Abstract:
Le partitionnement (clustering) de données complexes est un élément clé de l’apprentissage non-supervisé qui demeure un problème difficile à résoudre. Dans ce travail, nous introduisons une approche par réseaux de neurones pour le partitionnement non supervisé basé sur un mélange latent vivant dans un espace à faible dimension. Nous réalisons cette tâche de partitionnement par l’optimisation adversaire de la distance de Wasserstein entre les distributions de données réelles et générées. L’approche proposée permet aussi bien la réduction de la dimensionnalité que le choix du modèle. Nous obtenons des résultats compétitifs sur des ensembles de données difficiles composés d’images, de données parcimonieuses et denses.