Un graphe génératif pour la classification semi-supervisée

RÉSUMÉ. Nous proposons un nouvel algorithme semi-supervisé qui combine un modèle de mélange gaussien pour modéliser localement les données, et un graphe génératif construit sur les composants du mélange pour capturer la structure globale des données. La combinaison est réalisée via un processus de propagation d’étiquettes au travers du graphe. Contrairement aux algorithmes de l’état de l’art, le modèle de graphe utilisé est génératif de telle sorte que son optimisation peut être effectuée à l’aide de l’algorithme EM (Espérance-Maximisation) afin de maximiser sa vraisemblance. De plus, l’unique méta-paramètre (le nombre de composants du mélange) peut être sélectionné par un critère statistique. L’algorithme obtient des résultats expérimentaux similaires aux algorithmes comparables lorsque le nombre de données étiquetées est faible, et offre l’avantage de n’avoir aucun paramètre à régler manuellement.