Apprentissage semi-supervisé de fonctions d'ordonnancement

Nous presentons dans cet article un algorithme inductif semi-supervise pour la tâche d’ordonnancement bipartite. Les algorithmes semi–supervises proposes jusqu’a maintenant ont ete etudies dans le cadre strict de la classification. Recemment des travaux ont ete realises dans le cadre transductif pour etendre les modeles existants en classification au cadre d’ordonnancement. L’originalite de notre approche est qu’elle est capable d’inferer un ordre sur une base test non-utilisee pendant la phase d’apprentissage, ce qui la rend plus generique qu’une methode transductive pure. Les resultats empiriques sur la base CACM contenant les titres et les resumes du journal Communications of the Association for Computer Machinery montrent que les donnees non-etiquetees sont benefiques pour l’apprentissage de fonctions d’ordonnancement.

[1]  W. Bruce Croft,et al.  Direct Maximization of Rank-Based Metrics for Information Retrieval , 2005 .

[2]  Philip M. Long,et al.  Prediction, Learning, Uniform Convergence, and Scale-Sensitive Dimensions , 1998, J. Comput. Syst. Sci..

[3]  Shivani Agarwal,et al.  Ranking on graph data , 2006, ICML.

[4]  Bernhard Schölkopf,et al.  Ranking on Data Manifolds , 2003, NIPS.

[5]  Massih-Reza Amini,et al.  Learning for Sequence Extraction Tasks , 2000, RIAO.

[6]  Massih-Reza Amini,et al.  Combinaison de fonctions de préférence par boosting pour la recherche de passages dans les systèmes de question/réponse , 2005, EGC.

[7]  Jingrui He,et al.  Manifold-ranking based image retrieval , 2004, MULTIMEDIA '04.

[8]  Mikhail Belkin,et al.  Beyond the point cloud: from transductive to semi-supervised learning , 2005, ICML.

[9]  Massih-Reza Amini,et al.  Semi-Supervised Learning with Explicit Misclassification Modeling , 2003, IJCAI.

[10]  Gábor Lugosi,et al.  Ranking and Scoring Using Empirical Risk Minimization , 2005, COLT.

[11]  Dan Roth,et al.  Learnability of Bipartite Ranking Functions , 2005, COLT.

[12]  Mehryar Mohri,et al.  AUC Optimization vs. Error Rate Minimization , 2003, NIPS.

[13]  Rich Caruana,et al.  Data mining in metric space: an empirical analysis of supervised learning performance criteria , 2004, ROCAI.

[14]  Massih-Reza Amini,et al.  Automatic Text Summarization Based on Word-Clusters and Ranking Algorithms , 2005, ECIR.

[15]  John D. Lafferty,et al.  Boosting and Maximum Likelihood for Exponential Models , 2001, NIPS.

[16]  Wei Chu,et al.  Extensions of Gaussian Processes for Ranking : Semi-supervised and Active Learning , 2005 .

[17]  Bernhard Schölkopf,et al.  Learning with Local and Global Consistency , 2003, NIPS.

[18]  Yoram Singer,et al.  An Efficient Boosting Algorithm for Combining Preferences by , 2013 .

[19]  Mikhail Belkin,et al.  Semi-Supervised Learning on Riemannian Manifolds , 2004, Machine Learning.

[20]  Cynthia Rudin,et al.  Margin-Based Ranking Meets Boosting in the Middle , 2005, COLT.