Noyaux de mots et d’arbres : efficacité et unification
Year: 2018
Type: dissertation
Abstract: إن التعلم الآلي يستدعي طرقا ذكية لتحليل البيانات من أجل الإستخراج الآلي للمعلومات الهامة من مجموعات البيانات الضخمة. لكن الطرق التقليدية للتعلم الآلي هي عبارة عن طرق خطية غالبا ما تكون مهيأة لمستندات مسطحة. إلا أنه عمليا، نجد أن العديد من التطبيقات لديها بيانات يمكن تمثيلها طبيعيا على شكل مركب (سلاسل، أشجار، مخططات ...). إن طرق النواة تشكل مقاربات فعالة تستند الى أسس نظرية صلبة لدعم هذا النوع من البيانات. ان هاته الطرق استعملت على نطاق واسع من أجل التعلم الآلي من خلال البيانات المركبة. إن هدفنا في هاته الرسالة ذو شقين. بادئ بدء، ركزنا على جانب الفعالية الذي يعتبر خاصية أساسية لطرق النواة. من هذا المنظور قمنا باستهداف نواة السلاسل الجزئية للكلمات (string subsequence kernel, SSK) المستعمل بنجاح في عديد من مهام تعلم الآلة. إن الفكرة الأساسية لمقاربتنا تتمثل في تحويل حساب نواة السلاسل الجزئية للكلمات الى مشكل هندسي. على وجه التحديد، قد استخدمنا شجرة مجالات ذات طبقات (layered range tree, LRT) أين طبقنا خوارزميات الهندسة الحسابية المتعلقة بها. وبهدف تحسين مقاربتنا، قمنا بتوسيع بنية المعطيات، شجرة مجالات ذات طبقات (LRT) الى شجرة مجالات جمع ذات طبقات (layered range sum tree, LRST) مزودة بعمليات التجميع. وبالاضافة الى ذلك، قدمنا تقييمات تجريبية للمقاربة الموسعة سواء على البيانات التركيبية أو بيانات حقيقية مستمدة من المواد الاخبارية. وقد أظهرت النتائج فعالية المقاربة المقترحة بالنسبة للأبجديات الكبيرة باستثناء الكلمات القصيرة جدا. الهدف الثاني للرسالة يتمثل في المساهمة في تطوير نظرية موحدة للتعلم الآلي. في السنوات الأخيرة كرس جهد كبير لنوى السلاسل حيث تم التركيز على المسائل الفردية، مما أدى الى مجموعة متنوعة من المقاربات. في هذا السياق، اقترحنا اطارا عاما للتعامل مع تقييم نوى السلاسل. في الواقع، إنه بمكن تمثيل كلمة s في فضاء الخصائص ذو الأبعاد الكبيرة بواسطة السلاسل الصورية التي يمكن أن تنجز بواسطة الآلي المرجح As الذي يمثل كل السلاسل الجزئية للكلمة s. وعليه فإن حساب نواة كل السلاسل الجزئية K(s,t) بين كلمتين s و t هو سلوك الآلي المرجح As = As,t تقاطع At. من أجل تقييم فعال لنواة كل السلاسل الجزئية اقترحنا تقنية جديدة لتقاطع الآليات تعتمد على البحث المسبق الى الأمام. كشفت نتائج التجارب أن تقييم نواة كل السلاسل الجزئية باستعمال تقنيتنا المقترحة هو أسرع منه باستخدام التقاطع القياسي. علاوة على ذلك، قد تمكنا من تعميم نموذج الآليات المرجحة من أجل انشاء نواة جديدة لمعالجة مجموعة من السلاسل التي يمكن اعتبارهاك كذلك نواة شجرية.
Author: Bellaouar, Slimane
Institutions: University of Ghardaia, Amar Telidji University of Laghouat
Language: Arabic
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W4392279751