Apprentissage robuste de distance par géométrie riemannienne - Université Grenoble Alpes Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Apprentissage robuste de distance par géométrie riemannienne

Résumé

L'apprentissage de distance propose d'optimiser la distance de Mahalanobis pour des problèmes de classification. Plusieurs algorithmes associés à ce problème s'interprètent comme des estimateurs d'une matrice de covariance. Partant de ce constat, nous proposons un nouveau problème d'estimation appelé Robust Geometric Metric Learning (RGML) qui vise à estimer une matrice de covariance par classe et leur barycentre riemannien. Deux algorithmes associés à ce problème d'estimation sont développés : RGML gaussien et RGML Tyler. Ces algorithmes optimisent deux fonctions de coût sur la variété riemannienne des matrices symétriques définies positives et sa sous-variété à déterminant unitaire. Enfin, les algorithmes proposés sont appliqués sur des jeux de données réels. De bonnes performances ainsi qu'une robustesse aux données mal étiquetées sont obtenues.
Fichier principal
Vignette du fichier
main.pdf (236.12 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03778386 , version 1 (15-09-2022)

Identifiants

  • HAL Id : hal-03778386 , version 1

Citer

Antoine Collas, Arnaud Breloy, Guillaume Ginolhac, Chengfang Ren, Jean-Philippe Ovarlez. Apprentissage robuste de distance par géométrie riemannienne. GRETSI, XXVIIIème Colloque Francophone de Traitement du Signal et des Images, GRETSI, Sep 2022, Nancy, France. ⟨hal-03778386⟩
31 Consultations
10 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More