Veuillez choisir le dossier dans lequel vous souhaitez ajouter ce contenu :
Communication
Membre a labase
Koffi Eddy Ihou : Université Concordia
Les nombreux handicaps de la distribution de Dirichlet comme distribution à priori dans les modèles thématiques ont provoqué la rapide émergence d'autres modèles génératifs probabilistes. Ces nouveaux modèles sont basés sur des distributions à priori plus flexibles et efficaces dans les systèmes de « modèle de sujet » et applications qui, surtout mettent en relief les liens sémantiques entre les thèmes (correlation). C'est le cas des modèles tels que le CTM (Modèles thématiques de correlation, de l’anglais Correlated Topic models), PAM (modèle d’allocation de Patchinko), GD-LDA (allocation de Dirichlet latente basée sur la distribution de Dirichlet généralisée), et LGDA (allocation de Dirichlet généralisée latente). Mais encore, de profondes analyses ont récemment montré que ces modèles cités portent en eux aussi des insufisances qui affectent les inférences habituelles notamment l'échantillonnage de Gibbs et l'inférence Bayésienne variationnelle. Devant ces difficultés et défis, nous proposons une nouvelle approche qui veut reconcilier un processus génératif complet à une inférence plus robuste avec désormais un choix basé sur la flexibilité des distributions à priori comme la distribution de Dirichlet généralisée. Cela ainsi permet à notre modèle d'être plus adaptable à des applications et données numériques plus variées (textes, images, videos, objets 3D, etc). Notre étude expérimentale à travers la classification des images confirme l'efficacité du nouveau modèle.
Thème du congrès 2018 (86e édition) :
Domaine de la communication :
Date :
9 mai 2018
Thème du communication :
Domaine de la communication :
