Contributions aux communications inter-vues pour l'apprentissage collaboratif
Institution:
Sorbonne universitéDisciplines:
Directors:
Abstract EN:
This thesis presents several methods to optimize and improve inter-views communications in a collaborative learning context: The first contribution is about the improvement of communications for Collaborative Clustering using a learning method making it possible for a view to weight the information supplied by the external views. This methods is based on the resolution of a problem made of the Collaborative Clustering criterion with two constraints of the weighting coefficients. A second contribution consists in the definition of an incremental learning method of Self-Organizing Maps, followed by its adaptation to Collaborative Clustering. This method makes it possible to adapt the results obtained using Collaborative Clustering in case of a potential evolution in data distribution through time. The second axis consists in the definition of a new paradigm, called Collaborative Reconstruction. In this paradigm, several views collaborate to reconstruct local missing data. This method is based on neural networks linking external data and local data. The combination of the external informations is guaranteed by a weighting method favoring the best reconstructed features for each external view.
Abstract FR:
Cette thèse présente plusieurs méthodes d'optimisation et d'amélioration des communications inter-vues dans un contexte d'apprentissage collaboratif. Deux axes sont développés: Le premier concerne l'amélioration des communications pour le clustering collaboratif, un paradigme dans lequel plusieurs jeux de données, appelés vues, sont utilisés pour effectuer un premier clustering local avant de s'échanger des informations afin de parvenir à un concensus sur leurs résultats. Notre premier contribution consiste en une méthode d'apprentissage permettant à une vue de pondérer l'information fournit par les vues externes. Cette méthode se base sur la résolution d'un problème constitué du critère du clustering collaboratif auquel à été ajouté deux contraintes sur les coefficients de pondérations. Une seconde contribution consiste en la définition d'une méthode d'apprentissage incrémentale de cartes auto-adaptatrices de Kohonen, suivie de son adaptation au clustering collaboratif. Cette méthode permet entre autre la mise à jour des résultats obtenus via le clustering collaboratif en cas d'évolution dans la distribution des données pouvant survenir au cours du temps. Le second axe consiste en la définition d'un nouveau paradigme collaboratif, appelé reconstruction collaborative. Dans ce paradigme, plusieurs vues collaborent pour reconstruire des données localement manquantes. Cette méthode se base sur des réseaux de neurones permettant de faire le lien entre les données externes et les données locales. La combinaison des informations externes est assurée par une méthode de pondération permettant de privilégier les caractéristiques les mieux reconstruites par chaque vue externe.