Normalizing Flow appliqué aux problèmes de pré-image de noyau

Clément Glédel (1) , Benoit Gaüzère (1) , Paul Honeine (1)

1 App - LITIS - Equipe Apprentissage

Dans cet article, nous proposons une approche permettant la résolution du problème de pré-image rencontré en reconnaissance de formes et apprentissage statistique notamment les méthodes à noyaux. Pour cela, nous proposons d'utiliser les récents modèles génératifs appelés Normalizing Flows (NF) qui permettent de construire une distribution simple à partir d'une distribution complexe par une série de fonctions bijectives, bénéficiant ainsi d'une efficace génération de données grâce à son inversibilité. Nous proposons d'aligner l'espace généré par le NF sur l'espace de noyau, ce qui permet de résoudre le problème de pré-image grâce à la nature inversible du NF. Les performances de la méthode proposée sont validées sur le jeu de données MNIST, démontrant la capacité des NF à résoudre efficacement le problème de pré-image.

Keywords: Normalizing Flow; Méthodes à noyaux; Pré-image; Reconnaissance des formes

Domains: Statistics [stat]; Machine Learning [stat.ML]; Engineering Sciences [physics]; Signal and Image processing; Mathematics [math]; Statistics [math.ST]; Computer Science [cs]; Signal and Image Processing; Computer Science [cs]; Neural and Evolutionary Computing [cs.NE]; Computer Science [cs]; Machine Learning [cs.LG]; Computer Science [cs]; Computers and Society [cs.CY]; Computer Science [cs]; Computer Vision and Pattern Recognition [cs.CV]; Computer Science [cs]; Artificial Intelligence [cs.AI]

Clément Glédel, Benoit Gaüzère, Paul Honeine. Normalizing Flow appliqué aux problèmes de pré-image de noyau. 24-ème Conférence d’Apprentissage automatique (CAp), Jul 2022, Vannes, France. pp.1-10. ⟨hal-03749104⟩