ORBi: Schnitzler François - Approximation efficace de mélanges bootstrap d’arbres de Markov pour l’estimation de densité

Reference : Approximation efficace de mélanges bootstrap d’arbres de Markov pour l’estimation de den...


	Document type :	Scientific congresses and symposiums : Paper published in a book
	Discipline(s) :	Engineering, computing & technology : Computer science
	To cite this reference:	http://hdl.handle.net/2268/124833

Title :	Approximation efficace de mélanges bootstrap d’arbres de Markov pour l’estimation de densité
Language :	French
Author, co-author :	Schnitzler, François [Université de Liège - ULg > Dép. d'électric., électron. et informat. (Inst.Montefiore) > Systèmes et modélisation >]
	Ammar, Sourour [ > > ]
	Leray, Philippe [ > > ]
	Geurts, Pierre [Université de Liège - ULg > Dép. d'électric., électron. et informat. (Inst.Montefiore) > Systèmes et modélisation >]
	Wehenkel, Louis [Université de Liège - ULg > Dép. d'électric., électron. et informat. (Inst.Montefiore) > Systèmes et modélisation >]
Publication date :	23-May-2012
Main document title :	Actes de la 14e Conférence Francophone sur l'Apprentissage Automatique (CAp 2012)
Editor :	Bougrain, Laurent
Pages :	207-222
Audience :	National
ISBN :	978-2-905267-83-2
Event name :	14e Conférence Francophone sur l'Apprentissage Automatique (CAp 2012)
Event date :	from 23/05/2012 to 25/05/2012
Event place (city) :	Nancy
Event country :	France
Keywords :	[en] bayesian networks ; Markov trees ; mixtures of trees ; density estimation
Abstract :	[fr] Nous considérons des algorithmes pour apprendre des Mélanges bootstrap d'Arbres de Markov pour l'estimation de densité. Pour les problèmes comportant un grand nombre de variables et peu d'observations, ces mélanges estiment généralement mieux la densité qu'un seul arbre appris au maximum de vraisemblance, mais sont plus coûteux à apprendre. C'est pourquoi nous étudions ici un algorithme pour apprendre ces modèles de manière approchée, afin d'accélérer l'apprentissage sans sacrifier la précision. Plus spécifiquement, nous récupérons lors du calcul d'un premier arbre de Markov les arcs qui constituent de bons candidats pour la structure, et ne considérons que ceux-ci lors de l'apprentissage des arbres suivants. Nous comparons cet algorithme à l'algorithme original de mélange, à un arbre appris au maximum de vraisemblance, à un arbre régularisé et à une autre méthode approchée.
Research units :	systems and modelling
Funders :	Fonds pour la formation à la Recherche dans l'Industrie et dans l'Agriculture (Communauté française de Belgique) - FRIA ; Biomagnet IUAP network of the Belgian Science Policy Office ; Pascal2 network of excellence of the EC
Permalink :	http://hdl.handle.net/2268/124833

File(s) associated to this reference

Fulltext file(s):

	File	Commentary	Version	Size	Access
Open access	CAP2012.pdf		Author postprint	302.6 kB	View/Open

Additional material(s):

	File	Commentary	Version	Size	Access
Open access	presentation.pdf		-	261.89 kB	View/Open

All documents in ORBi are protected by a user license.

Dspace v1.5