Plongement incrémental dans un contexte de dissimilarité

RÉSUMÉ. Le domaine de la reconnaissance statistique de formes est basé sur la représentation numérique des objets et peut donc être facilement combiné avec des méthodes d’apprentissage automatique. D’autre part, la reconnaissance structurelle de formes utilise un ensemble limité de méthodes d’apprentissage automatique mais encode une riche description des objets via les chaînes de caractères ou les graphes. Cette dernière décennie a vu l’émergence de deux tendances étroitement liées, visant à combler l’écart entre ces deux représentations en combinant leurs avantages respectifs : les méthodes à noyaux pour des graphes ou chaînes de caractères d’un côté et la représentation par dissimilarité de l’autre. Cependant, une large famille de méthodes de représentation par dissimilarité exigent la connaissance de l’univers en entier lors de la phase d’apprentissage afin de construire un plongement implicite des données structurelles. Cette dernière propriété est une limitation importante dans de nombreuses applications pratiques où l’ensemble de test est illimité et n’est pas connu lors de la phase d’apprentissage. De plus, l’exigence de l’ensemble d’apprentissage en entier représente en soi un obstacle pour le traitement des masses de données. Nous présentons dans cet article une solution pour surmonter ces limitations et montrons le lien entre cette solution et le contexte des noyaux.