Journées MAS 2010

Classification (pdf)

Session organisée par Charles Bouveyron (Laboratoire SAMM, Paris 1), François Caron (INRIA Bordeaux Sud Ouest) et Marie Chavent (Université Bordeaux 2)

La classification a pour objet de regrouper des données en classes possédant des caractéristiques similaires. La classification peut être supervisée lorsque l'on dispose d'un ensemble d'apprentissage labellisé, semi-supervisée ou non supervisée. Elle apparait dans de nombreuses applications telles que la fouille de texte, la reconnaissance vocale ou l'analyse de données génomiques. L'objectif de cette session est d'offrir un panorama des approches statistiques pour la classification de données (modèles de mélange, SVM, processus de Dirichlet, etc.) et d'en présenter diverses applications.

Exposé de 40 minutes Charles Bouveyron (Paris 1) Classification générative des données de grande dimension : état de l'art et avancées récentes transparents

La classification générative a du faire face ces dernières années à l'augmentation de la dimension des données et au fléau de la dimension qui lui est associée. Aprés une brève introduction à la classification générative, l'exposé passera tout d'abord en revue les méthodes récentes de classification dédiées aux données de grande dimension. Quelques avancées récentes seront ensuite présentées, concernant notamment la sélection de dimensions intrinséques et le clustering dans un sous-espace discriminant.

Exposé de 20 minutes Guillaume Bouchard (Xerox Research) Modèles hybrides génératifs-discriminatifs: théorie et applications. transparents

Les paradigmes d'apprentissage génératif et discriminatif pour résoudre les problèmes de prédiction en l'apprentissage automatique sont souvent mis en opposition, l'un permettant de bien modéliser la structure des données mais dont la prédiction est fortement biaisée, l'autre permettant de créer une règle de décision asymptotiquement optimale, mais souvent difficile à interpréter. Ils ont souvent été étudiés dans différentes sous-communautés, mais au cours des dix dernières années, il y a un intérêt croissant pour essayer de comprendre et tirer parti des avantages des deux approches. Nous présenterons notre compréhension actuelle des approches génératives et discriminatives ainsi que leur combinaison à travers des résultats théoriques et empiriques. En particulier, nous verrons que les méthodes hybrides génératives-discriminatives permettent de résoudre des taches de classification supervisée pour lesquelles une représentation vectorielle des données est difficile à construire, comme les problèmes de détection de panne ou de reconnaissance de paraphrase/intrication textuelle.

Exposé de 20 minutes Kevin Bleakley (Inst. Curie / Inserm / Mines) Progress and open challenges in extremely high-dimensional medical outcome prediction transparents

Using biological data for medical decisions requires "extremely high" prediction accuracy; mistakes can lead to death. Very few current statistical methods are good enough to be used in life-threatening clinical decisions, e.g. choice of low vs high chemotherapy dose for breast cancer patients. Difficulties include (1) the above moral reason, (2) high-dimensionality of data (p>>n) and (3) the possibility that data does not contain enough information to construct a near-perfect classification rule. I will review the current state-of-the-art in high-dimensional biological decision-making, showing what statistical methods are being used, their success (or lack of), and suggest possible future research directions. In particular, I will describe Next Generation Sequencing approaches, their faster-than-exponential drop in cost, and implications for the next five years at the statistics/biology interface.

Exposé de 20 minutes Amélie Crepet (Afssa) Nonparametric bayesian modelling of co-exposures to various pesticides to determine cocktails transparents

This work introduces a specific application of Bayesian nonparametric models in food risk analysis framework. The goal is to determine mixture of pesticides residues which are simultaneously present in the diet, to give directions for future toxicological experiments for studying possible combined effects of those mixtures. Namely, the distribution of the exposures to a large number P of pesticides is assessed from the available consumption data and contamination analyses. We propose to model the co-exposures to the P pesticides by a Dirichlet process mixture based on a multivariate Gaussian kernel so as to determine clusters of individuals with similar co-exposure patterns. The posterior distributions and the optimal partition are computed through a Gibbs sampler based on stick-breaking priors. To reduce computational time due to the high dimensional data, a random block sampling is used. Other nonparametric Bayesian models such as models based on Indian Buffet process will be developed to propose a simultaneously classification of the individuals and the pesticides in groups.