Apprentissage supervisé sous contraintes de performance

Ce livre traite de l’apprentissage et de la qualification de règles de décision dans un cadre multihypothèse avec rejet sélectif et contraintes de performance. Le processus d’apprentissage consiste à formuler le problème comme un problème d’optimisation avec contraintes. L’apprentissage est réalisé pour différentes familles de règles définissant des ensembles de solutions de complexité croissante. Pour chaque règle, le critère optimisé dépend à la fois de la règle de décision et des poids attribués aux contraintes lors du processus d’apprentissage. La sélection d’une règle parmi les candidates nécessite la définition d’un critère commun. Une proposition de critère est faite et les modalités de son estimation sont discutées. Deux méthodes d’apprentissage, reposant sur une modélisation des densités de probabilité et sur des monoclasse-SVMs, sont introduites. Plusieurs extensions sont étudiées, notamment le traitement de contraintes évolutives et l’utilisation des cascades de classifieurs pour améliorer la fiabilité de la décision. Des applications sur des données standard et celles des tumeurs cancéreuses viennent attester les approches proposées.