Sélection de variables en apprentissage d'ordonnancement. Évaluation des SVM pondérés

RÉSUMÉ. Sélectionner les caractéristiques les plus utiles et les moins redondantes au sein des fonctions d’ordonnancement et réduire les temps d’exécution sont des enjeux en apprentissage d’ordonnancement. Les algorithmes de sélection de variables basés sur les SVM régularisés sont des approches prometteuses dans ce cadre. Dans cet article, nous proposons de nouvelles méthodes de sélection de variables en apprentissage d’ordonnancement basées sur des approches de pondération des SVM en norme `2. Nous proposons une adaptation d’une méthode `2-AROM qui résout des SVM en norme `0 et un algorithme de pondération de la norme `2 qui résout les problèmes en norme `0 et `1. Nos évaluations sur des jeux de données industriels et de référence montrent que les méthodes proposées sont jusqu’à 7 fois plus rapides et 10 fois plus parcimonieuses que l’état de l’art, pour des qualités d’ordonnancement équivalentes.