Horizon / Plein textes La base de ressources documentaires de l'IRD

IRD

Publications des scientifiques de l'IRD

Sokolovska N., Rizkalla S., Clément K., Zucker Jean-Daniel. (2015). Continuous and discrete deep classifiers for data integration. In : Fromont E. (ed.), De Bie T. (ed.), Van Leeuwen M. (ed.) Advances in intelligent data analysis XIV. Cham : Springer, (9385), 264-274. (Lecture Notes in Computer Science ; 9385). IDA : Intelligent Data Analysis 2015 ; , 14., Saint-Etienne (FRA), 2015/10/22-24. ISBN 978-3-319-24465-5

Accès réservé (Intranet IRD) Document en accès réservé (Intranet IRD)

Lien direct chez l'éditeur doi:10.1007/978-3-319-24465-5_23

Titre
Continuous and discrete deep classifiers for data integration
Année de publication2015
Type de documentArticle référencé dans le Web of Science WOS:000389228500023
AuteursSokolovska N., Rizkalla S., Clément K., Zucker Jean-Daniel.
InFromont E. (ed.), De Bie T. (ed.), Van Leeuwen M. (ed.) Advances in intelligent data analysis XIV
SourceCham : Springer, 2015, p. 264-274. (Lecture Notes in Computer Science ; 9385). ISBN 978-3-319-24465-5
ColloqueIDA : Intelligent Data Analysis 2015 ; , 14., Saint-Etienne (FRA), 2015/10/22-24
RésuméData representation in a lower dimension is needed in applications, where information comes from multiple high dimensional sources. A final compact model has to be interpreted by human experts, and interpretation of a classifier whose weights are discrete is much more straightforward. In this contribution, we propose a novel approach, called Deep Kernel Dimensionality Reduction which is designed for learning layers of new compact data representations simultaneously. We show by experiments on standard and on real large-scale biomedical data sets that the proposed method embeds data in a new compact meaningful representation, and leads to a lower classification error compared to the state-of-the-art methods. We also consider some state-of-the art deep learners and their corresponding discrete classifiers. We illustrate by our experiments that although purely discrete models do not always perform better than real-valued classifiers, the trade-off between the model accuracy and the interpretability is quite reasonable.
Plan de classementInformatique [122] ; Santé : généralités [050] ; Nutrition, alimentation [054]
LocalisationFonds IRD [F B010072191]
Identifiant IRDfdi:010072191
Lien permanenthttp://www.documentation.ird.fr/hor/fdi:010072191

Export des données

Disponibilité des documents

Télechargment fichier PDF téléchargeable

Lien sur le Web lien chez l'éditeur

Accès réservé en accès réservé

HAL en libre accès sur HAL


Accès aux documents originaux :

Le FDI est labellisé CollEx

Accès direct

Bureau du chercheur

Site de la documentation

Espace intranet IST (accès réservé)

Suivi des publications IRD (accès réservé)

Mentions légales

Services Horizon

Poser une question

Consulter l'aide en ligne

Déposer une publication (accès réservé)

S'abonner au flux RSS

Voir les tableaux chronologiques et thématiques

Centres de documentation

Bondy

Montpellier (centre IRD)

Montpellier (MSE)

Nouméa

Papeete

Niamey

Ouagadougou

Tunis

La Paz

Quito