Apprentissage non supervisé à partir de similarité pour l`analyse de

Stage de recherche rémunéré (Master 2 / Ingénieur A3)
Apprentissage non supervisé à partir de similarité
pour l'analyse de données massives et complexes
Contexte :
Dans de nombreuses applications, les observations ne sont pas naturellement représentées sous forme
d’un nombre fixé de valeurs numériques, i.e., sous forme de vecteurs. Les données réelles peuvent en effet
être de taille variable, être décrites par des variables qui ne sont pas directement comparables, ne pas être
numériques, etc. On peut évoquer par exemple les données textuelles ou les données symboliques
(intervalles, distributions, etc.). Or, beaucoup de méthodes d’analyse de données ont été construites pour des
données représentés dans un espace vectoriel. Pour être appliquées à des données non vectorielles, les
méthodes en question doivent être modifiées et adaptées. Une approche particulièrement fructueuse consiste
à s’appuyer sur la définition de mesures de (dis)similarités entre données complexes. L’avantage évident de
cette stratégie est de séparer la construction d’algorithmes d’analyse et le choix de la représentation des
données. Cela permet de proposer une implémentation unique d’un algorithme d’analyse qui pourra être
utilisée avec toute sorte de données, à condition de pouvoir calculer une (dis)similarités entre les
observations. L’algorithme et son implémentation deviennent alors universels.
Cependant, ce type de méthodes s'adapte difficilement aux données massives, malgré une augmentation
très rapide de la taille des jeux de données due aux nouvelles technologies. Le problème vient de
l’impossibilité de placer l'ensemble de ces données en mémoire vive. Les données doivent être traitées une
par une ou par « paquets ». Or, dans les méthodes à base de similarité, les données (ou leurs représentants)
sont décrites par leurs distances à toutes les autres données, ce qui est impossible si on ne conserve pas en
mémoire l'ensemble des données. Il est donc nécessaire de proposer de nouveaux algorithmes d'analyse de
données à base de similarité qui soient adaptés à ce type de problème.
L’objectif de ce stage sera de développer une nouvelle méthode d'apprentissage non supervisé
(clustering) pour données massives complexes. La méthode mise au point se basera sur une mesure de
similarité entre objets pour apprendre une représentation synthétique de la structure des données, sous la
forme de clusters. L'idée sera de calculer un ensemble de représentants (prototypes), qui seront définis selon
leurs distances à un groupe restreint de données sélectionné et mis à jour par l'algorithme, de façon à limiter
le temps de calcul et l'utilisation de la mémoire.
Objectifs du stage :
• Étudier l’état de l’art sur les méthodes d’analyse de données à partir de similarité.
• Développer une méthode de classification adapté à l'analyse de données massives et complexes.
• Valider la méthode sur différents jeux de données.
Compétences souhaitées :
• Formation en Apprentissage Automatique et Data Mining
• Développement en Python et/ou Matlab
Durée du stage : 6 mois
Lieu du stage : LIPN, UMR 7030, Sorbonne Paris Cité, Université Paris 13, Villetaneuse
Rémunération : Ce stage sera gratifié sur toute sa durée à hauteur d'environ 530 euros par mois
Contact : Guénaël Cabanes ([email protected])
Bibliographie :
Cabanes, G., Bennani, Y., Verde, R., Irpino, A.: A topological clustering method for histogram data. Proceeding of
the 5th Workshop on Symbolic Data Analysis, (SDA'15), Orléans, France (2015).
Cottrell, M., Olteanu, M., Rossi, F., Rynkiewicz, J., Villa-Vialaneix, N. : Neural Networks for Complex Data. KI Künstliche Intelligenz, 26 (4), pp.373-380 (2012)
Hammer, B., Hasenfuss, A., Rossi, F., Strickert, M. : Topographic processing of relational data. In Proceedings of the
6th International Workshop on Self-Organizing Maps (WSOM 07), Bielefeld (Germany), 9 (2007)
Gartner, T., Lloyd, J.W., Flach, P.A.: Kernels and distances for structured data. Machine Learning 57(3), 205–232
(2004)