Partenaires

CNRS
Logo tutelle
Logo tutelle
Logo tutelle


Rechercher

Sur ce site

Sur le Web du CNRS


Accueil du site > Séminaires > Probabilités Statistiques et réseaux de neurones > Modèle de mélange d’analyses en composantes principales robustes

Vendredi 26 octobre 2007 à 11h00

Modèle de mélange d’analyses en composantes principales robustes

Michel Verleysen (U.C.L., Belgique)

Résumé : L’analyse en composantes principales (ACP), formulée comme un modèle probabiliste, peut être rendue robuste aux données aberrantes en faisant l’hypothèse d’une distribution de bruit suivant une loi de Student-t au lieu d’une loi gaussienne. D’autre part, les mélanges d’ACP constituent des modèles destinés à trouver des dépendances non-linéaires dans les données enidentifiant des clusters et des représentations linéaires à l’intérieur deceux-ci. Ce séminaire montre comment les mélanges d’ACP peuvent être rendusrobustes également. En utilisant un modèle probabiliste hiérarchique, tousles paramètres, à l’exception du nombre de clusters et de la dimension des espaces latents, sont déterminés par maximum de vraisemblance. Des expériences montrent la robustesse effective aux données aberrantes, même pour des données au haute dimension.

Voir en ligne : Transparents (format PDF)

Dans la même rubrique :