Bound on the Risk for M-SVMs

Yann Guermeur 1 André Elisseeff Dominique Zelus
1 MODBIO - Computational models in molecular biology
INRIA Lorraine, LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications
Résumé : La conception d'architectures SVM dédiées aux tâches de discrimination à catégories multiples constitue actuellement l'un des problèmes centraux de la théorie statistique de l'apprentissage. Plusieurs contributions majeures au domaines ont été récemment recencées. Cependant, aucun argument définitif n'a à ce jour été avancé permettant d'établir laquelle des deux approches disponibles, décomposition du problème en un ensemble de dichotomies ou calcul direct de la polychotomie, devait être supérieure à l'autre. L'objet de cette communication est de proposer un cadre théorique simple permettant une étude comparée des capacités de généralisation des différents modèles existants et la conception de nouvelles machines. Elle devrait par là même contribuer à résoudre la question de l'approche la plus adéquate.
Type de document :
Communication dans un congrès
Statistical Learning, Theory and Applications 2002, 2002, Paris, France, 5 p, 2002
Liste complète des métadonnées

https://hal.inria.fr/inria-00100807
Contributeur : Publications Loria <>
Soumis le : mardi 26 septembre 2006 - 14:51:10
Dernière modification le : jeudi 11 janvier 2018 - 06:19:51

Identifiants

  • HAL Id : inria-00100807, version 1

Collections

Citation

Yann Guermeur, André Elisseeff, Dominique Zelus. Bound on the Risk for M-SVMs. Statistical Learning, Theory and Applications 2002, 2002, Paris, France, 5 p, 2002. 〈inria-00100807〉

Partager

Métriques

Consultations de la notice

68