Contenu du sommaire : Classification

Notre thématique de recherche est le développement de modèles de langage robustes pour la reconnaissance de la parole. Ces modèles doivent prédire un mot connaissant les mots qui le précèdent. Malgré le nombre croissant de données textuelles électroniques, toutes les possibilités de la langue ne sont pas présentes dans ces données, un moyen de les obtenir est de généraliser la représentation textuelle en regroupant les mots dans des classes. Les modèles de langage fondés sur des classes présentent alors une plus large couverture de la langue avec un nombre réduit de paramètres permettant une reconnaissance plus rapide des mots par les systèmes de reconnaissance de la parole dans lesquels ils sont introduits. Nous décrivons deux types de classification automatique de mots, appris statistiquement sur des textes écrits de journaux et de transcriptions de parole. Ces classifications ne nécessitent pas d'étiquetage des mots, elles sont réalisées suivant les contextes locaux dans lesquels les mots sont observés. L'une est basée sur la distance de Kullback-Leibler et répartit tous les mots dans un nombre de classes fixé à l'avance. La seconde regroupe les mots considérés comme similaires dans un nombre de classes non prédéfini. Cette étude a été réalisée sur les données d'apprentissage en français de domaines, de taille et de vocabulaire différents.

Nous proposons une nouvelle méthode pour simplifier le treillis de Galois associé à un questionnaire binaire (n individus classés selon q questions binaires), méthode basée sur l'affaiblissement des implications portées par le treillis en quasi-implications. Au niveau descriptif, la méthode proposée fait intervenir un nouvel indice pour la mesure des quasi-implications ("l'indice implicatif multivarié") qui satisfait certaines conditions d'invariance par équivalence logique. Au niveau inductif, l'incertitude sur les fréquences vraies des profils est exprimée par un "modèle Dirichlet imprécis". Ce modèle répond aux difficultés des modèles bayésiens usuels fondés sur une distribution de Dirichlet unique, notamment pour le cas où n est petit devant 2q. Un aspect important de la méthode est que les résumés descriptif et inductif qu'elle fournit constituent des treillis de Galois, versions simplifiées du treillis initial.

L'objectif est de mettre en évidence, à partir d'un tableau de contingence croisant 2 variables utilisant la même nomenclature, une typologie des catégories de cette nomenclature. La recherche de cette typologie est basée sur l'hypothèse selon laquelle il existe des groupes de catégories en fonction des attractions entretenues entre elles ainsi que de leurs enchaînements. On s'appuie sur une modélisation sous forme de graphes et sur une méthode de décomposition des composantes (fortement) connexes.

Notre équipe travaille sur la classification de données provenant des secteurs industriels et médicaux, dans le but de développer des systèmes de diagnostic et d'aide à la décision. Dans cet article, nous proposons une modification de la méthode floue du "pattern matching", pour classer des données comportant des classes de forme complexe. Nous décrivons la méthode de base avant de montrer ses limites, lorsque les classes ne sont pas convexes. Ensuite, nous en proposons une amélioration par l'introduction d'une approche multi-prototype. Nous présentons un exemple industriel, qui consiste à trier automatiquement des bouteilles plastiques en vue de leur recyclage. Enfin, nous comparons les résultats obtenus par cette méthode avec ceux donnés par la méthode floue des k-plus proches voisins, sur trois types de données : bouteilles plastiques, iris et formes d'ondes.

Dans cet article, nous proposons un formalisme de représentation de données structurées et imprécises, les Arborescences Symboliques Nuancées (ASN), qui est fondé sur la notion d'attribut-valeur. Les ASN nous permettent de représenter des entités composées de parties et sous-parties dont les caractéristiques peuvent être imprécises, inconnues ou bien inapplicables et prenant en compte les liens pouvant exister entre les valeurs des différentes caractéristiques. Nous nous intéressons à la recherche de concepts à partir d'un ensemble d'entités décrites par les ASN. La définition des concepts repose sur une extension des treillis de Galois au cas de données arborescentes et nuancées. Pour rechercher les concepts, nous présentons un algorithme incrémental permettant de calculer un treillis extrait du treillis de Galois en élagant les concepts trop généraux.

Le problème général traité est celui de l'évaluation approchée du nombre de solutions d'une formule booléenne F sous forme normale conjonctive. En appliquant le principe "diviser pour résoudre", la méthode présentée permet de réduire de façon considérable la complexité algorithmique du problème. Elle est basée sur la segmentation d'une sériation établie sur la table d'incidence associée à F. Nous montrons, dans des cas aléatoires difficiles de génération d'une formule F, l'intérêt de la sériation et de sa meilleure coupure en deux parties connexes et de tailles comparables. De plus, nous définissons la notion d'indépendance en probabilité pour F. On propose ici et on valide théoriquement et par une vaste expérimentation la méthode.

Parmi les méthodes d'ordination proposées dans la littérature statistique, l'ACR (analyse canonique de redondance) est devenue l'une des méthodes les plus employées par les écologistes. En ACR, deux tableaux des données sont considérés. Le premier tableau (Y) contient les variables-réponse (e.g. les abondances des espèces étudiées) alors que le second (X) contient les variables explicatives (e.g. les variables environnementales). L'ACR classique impose des contraintes linéaires entre les variables X et Y, ce qui reflète rarement les processus naturels. Nous proposons une nouvelle méthode d'ordination, l'ACR polynomiale, qui permet de modéliser des relations linéaires ou non. Cette méthode est basée sur un algorithme empirique de régression qui permet de chercher la forme des relations polynomiales entre les variables en X et Y ainsi que de prendre en compte les interrelations entre variables explicatives.