Méthodes d'ensemble en inférence grammaticale : une approche à base de moindres généralisés

Résumé : Nous présentons un cadre général pour la classification supervisée basé sur la notion de moindre généralisé (généralisation minimale d'un ensemble d'exemples). Nous montrons que le fait de définir cette opération dans l'espace d'hypothèses choisi met à notre disposition, sans effort supplémentaire, plusieurs algorithmes d'apprentissage supervisé à plusieurs classes, en particulier des méthodes d'ensemble (de boosting par exemple). Après avoir décrit cette architecture générique, nous expliquons son utilisation pour l'inférence grammaticale : le calcul du moindre généralisé y est un apprentissage à partir d'exemples positifs seuls comme ceux effectués par les algorithmes TSSI et ZR. Des classifications efficaces de séquences sont alors possibles par vote de plusieurs automates élémentaires. Des expérimentations valident notre approche et nous discutons des intérêts et implications de ces idées.
Document type :
Conference papers
Complete list of metadatas

Cited literature [10 references]  Display  Hide  Download

https://hal.inria.fr/inria-00425072
Contributor : Fabien Torre <>
Submitted on : Monday, October 19, 2009 - 9:13:06 PM
Last modification on : Thursday, February 21, 2019 - 10:52:49 AM
Long-term archiving on: Tuesday, June 15, 2010 - 10:50:20 PM

File

CombinAutosCAp2009.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : inria-00425072, version 1

Collections

Citation

Fabien Torre, Alain Terlutte. Méthodes d'ensemble en inférence grammaticale : une approche à base de moindres généralisés. 11e Conférence francophone sur l'Apprentissage automatique (CAp'2009), May 2009, Hammamet, Tunisie. pp.33-48. ⟨inria-00425072⟩

Share

Metrics

Record views

246

Files downloads

267