Apprentissage métrique à grande marge pour les problèmes de partitionnement sous contrainte.

Résumé Nous considérons les problèmes de partitionnement non supervisé basés explicitement ou implicitement sur la minimisation des distorsions euclidiennes, tels que le clustering, la segmentation d'images ou de vidéos, et d'autres problèmes de détection de points de changement. Nous mettons l'accent sur les cas à structure spécifique, qui incluent de nombreuses situations pratiques allant de la détection de points de changement basée sur la moyenne aux problèmes de segmentation d'images. Notre objectif est d'apprendre une métrique de Mahalanobis pour ces problèmes non supervisés, ce qui permet de pondérer et/ou de sélectionner les caractéristiques. Cet apprentissage est réalisé de manière supervisée en supposant la disponibilité de plusieurs ensembles de données (partiellement) étiquetées qui partagent la même métrique. Nous présentons le problème de l'apprentissage de la métrique comme un problème de prédiction structuré à grande marge, avec une définition appropriée des régularisateurs et des pertes, ce qui conduit à un problème d'optimisation convexe qui peut être résolu efficacement. Nos expériences montrent comment l'apprentissage de la métrique peut améliorer de manière significative les performances sur des problèmes de bioinformatique, de segmentation de vidéos ou d'images.