Modèle discriminatif pour l’analyse de données

Les modèles discriminatifs ont connu un grand succès ces dernières années avec la mise à disposition de la communauté d’un nombre important d’outils et de codes fournissant des solutions intégrées pour la classification ou la régression. Dans la famille des modèles connexionnistes, on citera surtout les méthodes à noyaux (SVM par exemple) qui ont permis d’étendre des outils classiques de statistique (comme l’analyse en composantes principales ou l’analyse discriminante) à des versions non linéaires.

Sur ce thème, l’équipe a proposé leur utilisation sur deux applications en classification:

• classification de défauts surfaciques de rail (CCF-FI)
• classification de l’état du circuit de voie (DiagHist)

D’un point de vue méthodologique, ces travaux ont été l’occasion d’aborder plusieurs points :

• la gestion multi-classes et les stratégies de partitionnement des problèmes de classification (1 contre 1, 1 contre tous)
• l’optimisation des métriques dans les réseaux radiales de base (RBF)
• le réglage de l’apprentissage de machines SVM et leur comparaison avec des discriminateurs de type Ho-Kashyap
• la supervision de cartes auto-organisatrices (SOM)
• les algorithmes de coalescence flous

Publications

Z. Saidi, G. Bloch, P. Aknin (2008). A subspace method for detection and classification of rail defects . EUSIPCO'08 European Signal Processing Conference. Lausanne.
A. Debiolles, L. Oukhellou, P. Aknin, T. Denoeux, E. Come (2005). Linear and nonlinear regression s using PLS feature selection and NN on a defect diagnosis application . ICMI'05 International Conference on Machine Intelligence. Tozeur.
M. Bentoumi, G. Millérioux, G. Bloch, L. Oukhellou, P. Aknin (2004) Classification de Défauts de Rail par SVM. Congrès International IEEE Signaux, Circuits et Systemes SCS'04, Monastir, Tunisie.
A. Debiolles, L. Oukhellou, P. Aknin (2004). Combined use of partial least square regressions and neural networks for diagnosis tasks . ICPR'04 International Conference on Pattern Recognition. Cambridge.
L. Oukhellou, P. Aknin, M. Nadji (2004). Utilisation de la régression PLS et d'un algorithme de coalescence floue pour le suivi de point de fonctionnement. Application au diagnostic de la transmission voie/machine du TGV. C2I, Colloque Interdisciplinaire en Instrumentation. Cachan. Vol 1 pp 231-238.
F. Lauer, M. Bentoumi, G. Block, G. Millerioux, P. Aknin (2004). Ho-Kashyap with Early Stoppin g vs Soft Margin SVM for Linear Classifiers – An Application, Lecture Notes in Computer Science, Advances in Neural Networks, pp. 524-530, Springer.
A. Debiolles, L. Oukhellou, P. Aknin (2004). Combined use of partial least square regressions and neural networks for diagnosis tasks . ICPR'04 International Conference on Pattern Recognition. Cambridge.
F. Fessant, P. Aknin, L. Oukhellou, S. Midenet (2001). Comparison of supervised self-organizing maps using Euclidian or Mahalanobis distance in classification context. IWANN. Granada.
L. Oukhellou, P. Aknin (2001). Hybrid training of radial basis function networks in a partitionning context of classification. Neurocomputing. Vol. 28, n°1-3 pp. 165-175.