Soutenance de thèse de Jiajun PAN (équipe DUKe)

Jiajun Pan, doctorant au sein de l’équipe DUKe, soutiendra sa thèse intitulée « Formalisation et Apprentissage de Métriques Relationnelles »

vendredi 20 décembre 2019 à 14h, dans l’amphi du  bâtiment Ireste sur le site de Polytech.

Jury :

• Directeur thèse :  LERAY Philippe
• Co encadrant : LE CAPITAINE Hoël
• Rapporteurs :  LESOT Marie Jeanne (LIP 6), HABRARD Amaury (U Saint Etienne)
• Autres membres : CAPPONI Cécile (U Aix Marseille), DE LA HIGUERA Colin

Abstract:
Metric distance learning is a branch of re-presentation learning in machine learning algorithms. We summarize the development and current
situation of the current metric distance learning algorithm from the aspects of the flat database and non-flat database. For a series of
algorithms based on Mahalanobis distance for the flat database that fails to make full use of the intersection of three or more dimensions, we
propose a metric learning algorithm based on the submodular function. For the lack of metric learning algorithms for relational databases in
non-flat databases, we propose LSCS(Relational Link-strength Constraints Selection) for selecting constraints for metric learning algorithms with
side information and MRML (Multi-Relation Metric Learning) which sums the loss from relationship constraints and label constraints. Through the
design experiments and verification on the real database, the proposed algorithms are better than the current algorithms.
***

Résumé :

L’apprentissage à distance métrique est une branche de l’apprentissage par re-présentation des algorithmes d’apprentissage automatique. Nous résumons
le développement et la situation actuelle de l'algorithme actuel d'apprentissage à distance métrique à partir des aspects de la base de
données plate et de la base de données non plate. Pour une série d'algorithmes basés sur la distance de Mahalanobis pour la base de données
plate qui ne parvient pas à exploiter l'intersection de trois dimensions ou plus, nous proposons un algorithme d'apprentissage métrique basé sur la
fonction sous-modulaire. Pour le manque d’algorithmes d’apprentissage métrique pour les bases de données relationnelles dans des bases de
données non plates, nous proposons LSCS (sélection de contraintes relationnelles de force relationnelle) pour la sélection de contraintes
pour des algorithmes d’apprentissage métrique avec informations parallèles et MRML (Multi-Relation d'apprentissage métrique) qui somme la perte des
contraintes relationnelles et les contraintes d'etiquetage. Grâce aux expériences de conception et à la vérification sur la base de données
réelle, les algorithmes proposés sont meilleurs que les algorithmes actuels.