Un Cadre Formel de Boosting pour l'Adaptation de Domaine

Résumé : L' hypothèse PAC classique, selon laquelle les données d' apprentissage et de test sont issues d'une même distribution, n'est pas satisfaite dans bon nombre de problèmes réels en apprentissage. Pour traiter des cas où les données sont issues de distributions source et cible différentes, un cadre récent - l'adaptation de domaine (AD) - permet de concevoir des algorithmes théoriquement fondés. Nous présentons DABOOST basé à la fois sur les théories du Boosting et de l'AD. L'originalité par rapport à l'état de l'art est que notre méthode nécessite uniquement des étiquettes source. Aucune information sur les étiquettes cible n'étant disponible, nous minimisons à la fois l'erreur en classification sur la source, comme ADABOOST, et la proportion de violations de marge sur la cible. Nous montrons théoriquement la convergence de DABOOST avec une borne sur l'erreur en généralisation et donnons des exemples pratiques de son efficacité.
Document type :
Conference papers
Complete list of metadatas

Cited literature [8 references]  Display  Hide  Download

https://hal.inria.fr/hal-00745487
Contributor : Laurent Bougrain <>
Submitted on : Thursday, October 25, 2012 - 3:48:43 PM
Last modification on : Wednesday, July 25, 2018 - 2:05:31 PM
Long-term archiving on : Monday, January 28, 2013 - 1:41:19 PM

File

cap2012_submission_12.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-00745487, version 1

Collections

Citation

Amaury Habrard, Jean-Philippe Peyrache, Marc Sebban. Un Cadre Formel de Boosting pour l'Adaptation de Domaine. Conférence Francophone sur l'Apprentissage Automatique - CAp 2012, Laurent Bougrain, May 2012, Nancy, France. 16 p. ⟨hal-00745487⟩

Share

Metrics

Record views

219

Files downloads

79