JdS2012


 English   -  Français  

Résumé de communication



Résumé 126 :

Régularisation bayésienne du modèle des blocs latents
Brault, Vincent ; Celeux, Gilles ; Keribin, Christine
Université Paris Sud 11

Les modèles de mélange peuvent être utilisés pour résoudre le problème de la classification non supervisée simultanée d'un ensemble d'objets et d'un ensemble de variables. Le modèle des blocs latents définit une loi pour chaque croisement de classe d'objets et de classe de variables, et les observations sont supposées indépendantes conditionnellement au choix des classes d'objets et de variables. L'impossibilité de factoriser la loi jointe conditionnelle des labels rend incalculable l'étape d'estimation de l'algorithme EM nécessitant l'utilisation d'algorithmes dérivés. Dans le cadre binaire, deux algorithmes ont été proposés, l'un utilisant une approximation variationnelle, et l'autre effectuant l'étape d'estimation à l'aide d'un échantillonneur de Gibbs. Ces algorithmes se heurtent parfois à des problèmes de dégénérescence de classes c'est-à-dire qu'ils retournent des classes vides. Nous présentons ici un point de vue bayésien pour atténuer ce problème et nous étudierons en particulier l'influence des lois a priori sur les classifications obtenues.