Résumé

La problématique du clustering non supervisé et semi-supervisé est très étudiée dans le domaine de l’apprentissage automatique. En vue d’impliquer l’utilisateur dans le clustering d’images, (Lai et al., 2014) a proposé un nouveau modèle de clustering semi-supervisé inter- actif traduisant les retours de l’utilisateur (exprimés au niveau des images) en contraintes par paires (must-link et cannot-link) entre groupes d’images constitués à l’aide d’une solution de clustering hiérarchique et de ces retours. Ces dernières années, le besoin de moyens appro- priés pour mesurer la distance ou la similarité entre les données a conduit à l’émergence de l’apprentissage de métrique, qui vise à apprendre automatiquement une métrique à partir de données. Nous avons proposé une méthode intégrant un apprentissage de métrique dans le sys- tème existant de (Lai et al., 2014) pour améliorer la performance et réduire le temps de calcul. Nos résultats expérimentaux, obtenus sur la base d’images Wang, montrent que les méthodes d’apprentissage de métrique s’intègrent bien dans le système existant, et améliorent ses perfor- mances et sa complexité calculatoire.

Abstract

The problem of unsupervised and semi-supervised clustering is extensively studied in machine learning. In order to involve user in image data clustering, (Lai et al., 2014) pro- posed a new approache for interactive semi-supervised clustering that translates the feedback of user (expressed at the level of individual images) into pairwise constraints between groups of images, these groupes being constituted thanks to the underlying hierarchical clustering so- lution and user feedback. Recently, the need for appropriate measures of distance or similarity between data led to the emergence of distance metric learning approaches. In this paper, we propose a method incorporating metric learning in the existing system of (Lai et al., 2014) to improve performance and reduce the computational time. Our experimental results obtained on the image database Wang show that the metric learning methods fit well into the existing system improve its performances as well as its computational time.