BEGIN:VCALENDAR
CALSCALE:GREGORIAN
VERSION:2.0
X-WR-TIMEZONE:Europe/Paris
METHOD:PUBLISH
PRODID:-//LIP6//www.lip6.fr//FR
X-WR-CALNAME;VALUE=TEXT:Séminaire LIP6
X-LIC-LOCATION:Europe/Paris
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
RRULE:FREQ=YEARLY;BYMONTH=3;BYDAY=-1SU
DTSTART:19810329T020000
TZNAME:GMT+02:00
TZOFFSETTO:+0200
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
RRULE:FREQ=YEARLY;BYMONTH=10;BYDAY=-1SU
DTSTART:19961027T030000
TZNAME:GMT+01:00
TZOFFSETTO:+0100
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
SUMMARY:Thèse Anh Phuc TRINH : Classifieur probabiliste et Séparate
 ur à Vaste Marge. Application à la classification de texte et à l
 'étiquetage d'image
ORGANIZER;CN=Anh Phuc TRINH:MAILTO:Anh-Phuc.Trinh@lip6.fr
DESCRIPTION:Cette thèse propose des estimateurs de probabilités a p
 osteriori pour des Séparateur à Vaste Marge. Elle comporte une part
 ie théorique et une partie expérimentale. 
 La première contributio
 n que nous présentons dans cette thèse est d’introduire un classi
 fieur probabiliste basé sur des SVM pour la classification multi-cla
 sses. L’approche que nous utilisons est l’approche 1 contre 1, 
 où pour un problème à k classes k(k - 1)/2 classifieurs sont entra
 inés. Les sorties binaires de ces classifieurs forment un espace de 
 votes dans lequel sera prise la décision de classe. Nous introduison
 s un espace de vote enrichi qui permet de prendre en compte des relat
 ions entre l’ensemble des classes du problème et proposons une mé
 thode pour apprendre à partir de cet espace binaire à estimer les p
 robabilités a posteriori des classes. 
 La seconde contribution conce
 rne le problème de la classification multi-étiquettes et la prise e
 n compte de dépendances entre étiquettes. La prédiction de sorties
  structurées a été ces dernières années un domaine extrêmement 
 actif et de nombreux modèles basés sur des extensions des SVMs ou d
 es modèles graphiques on été proposés. Nombre de ces modèles ont
  une complexité qui empêche toute application sur des données rée
 lles. Nous introduisons un classifieur multi-étiquettes basé sur un
  formalisme de modèle graphique non dirigé. Nous proposons une mét
 hode d’inférence approchée de complexité limitée qui permet une
  utilisation pratique de ces méthodes. Nous incorporons dans ce mo
 dèle les classifieurs probabilistes mentionnés plus haut pour estim
 er les probabilités nécessaires au calcul d’inférence. 
 La trois
 ième contribution est la validation expérimentale de ces idées et 
 algorithmes. Une première application nous permet de tester notre cl
 assifieur probabiliste multi-classes. Il s’agit du Défi DEFT 1 qui
  est une compétition française sur la classification de textes. Les
  données sur lesquelles nous avons travaillé traitent de classifica
 tion en thème et en genre de corpus journalistiques. La seconde appl
 ication que nous avons traitée porte sur l’étiquetage d’images 
 en utilisant une information de dépendance entre les étiquettes. El
 le correspond à une tâche proposée dans la compétition internatio
 nale ImageCLEF08 2. Nous proposons un modèle graphique adapté à ce
 tte tâche qui nous permet de valider ce modèle multi-étiquettes.
DTSTAMP:20261015T103044Z
DTSTART;TZID=Europe/Paris:20120217T100000
DURATION:PT2H
URL;VALUE=URI:https://www.lip6.fr/actualite/personnes-fiche.php?ident=D628
UID:LIP6/SEM/D628
LOCATION:Site Jussieu 25-26/105
GEO:48.847047;2.354619
END:VEVENT
END:VCALENDAR