Résumé : En clustering, il existe des approches combinant la réduction
de dimension et la classification non supervisée qui sont basées sur
la recherche de sous-espaces propres aux classes. Malgré les très
bonnes performances de ces nouvelles approches, leur concept implique
une impossibilité de toute visualisation informative de la structure
des données puisque chaque classe est modélisée dans un espace qui lui
est propre. Face à ces problèmes posés, ce travail propose une
nouvelle paramétrisation du modèle de mélange gaussien qui modélise
les groupes dans un espace latent discriminant. Cette modélisation
permet d’adapter les procédures traditionnelles de classification
automatique par modèles de mélange pour que les étapes de modélisation
et de classification soient réalisées dans un sous-espace
discriminant. Ce travail propose également un algorithme d’inférence
pour les modèles proposés, appelé Fisher-EM.

Cet exposé se tiendra en salle C20-13, 20ème étage, Université
Paris 1, Centre Pierre Mendes-France, 90 rue de Tolbiac, 75013 Paris
(métro : Olympiades).