Centre de documentation
scientifique

Fast estimation for robust supervised classification with mixture models / Erwan Giry Fouquet in Pattern recognition letters, vol 152 (December 2021)  

Public [article]  inPattern recognition letters > vol 152 (December 2021) . - pp 320 - 326 Titre : Fast estimation for robust supervised classification with mixture models Type de document : Article/Communication Auteurs : Erwan Giry Fouquet, Auteur ; Mathieu Fauvel, Auteur ; Clément Mallet , Auteur ; Clément Mallet , Auteur Année de publication : 2021 Projets : MAESTRIA / Mallet, Clément, ANITI / Mallet, Clément Article en page(s) : pp 320 - 326 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] classification [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] échantillon [Termes IGN] méthode robuste [Termes IGN] optimisation (mathématiques) Résumé : (auteur) Label noise is known to negatively impact the performance of classification algorithms. In this paper, we develop a model robust to label noise that uses both labelled and unlabelled samples. In particular, we propose a novel algorithm to optimize the model parameters that scales efficiently w.r.t. the number of training samples. Our contribution relies on a consensus formulation of the original objective function that is highly parallelizable. The optimization is performed with the Alternating Direction Method of Multipliers framework. Experimental results on synthetic datasets show an improvement of several orders of magnitude in terms of processing time, with no loss in terms of accuracy. Our method appears also tailored to handle real data with significant label noise. Numéro de notice : A2021-061 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE/MATHEMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.patrec.2021.10.020 Date de publication en ligne : 26/10/2021 En ligne : https://doi.org/10.1016/j.patrec.2021.10.020 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99531 [article]