Abstract FR:

L'apprentissage est une étape importante d'un processus de reconnaissance des formes pour la décision. On distingue généralement l'approche supervisée de l'approche non supervisée suivant que l'on dispose ou non d'une expertise des données. Dans ce travail, nous étudions le cas intermédiaire d'une classification semi-supervisée où l'on dispose d'un ensemble mixte de données numériques. Quelle que soit l’approche, certains éléments à traiter diffèrent du modèle a priori supposé des données et peuvent perturber le processus d'apprentissage. Les méthodes robustes de classification visent à limiter l'influence de ces données aberrantes soit en les modélisant explicitement, soit en utilisant des estimateurs robustes. La première partie de ce travail nous a permis d'étudier la notion de robustesse à travers divers algorithmes de classification. Un intérêt particulier est porté à l'utilisation des M-estimateurs de Huber dans le cadre de l'estimation par le principe du maximum de vraisemblance. La seconde partie de cette étude est consacrée à l'état de l'art des principales méthodes de classification semi-supervisée. Nous montrons que celles-ci reposent sur la modification de la fonctionnelle réalisant la classification en introduisant un terme d'accord avec la mesure d'appartenance fixée par l'expert. Sur la base de ces deux domaines, nous proposons un algorithme robuste de classification partiellement supervisée introduisant une option de rejet. Les classes sont modélisées par un mélange de deux composantes dont les paramètres sont estimées par un calcul itératif robuste. Le rejet est effectué par une fonction d'affectation produisant une classe additionnelle dédiée aux points aberrants. Les résultats obtenus sur divers jeux de données artificiels et réels nous ont permis de valider notre approche.