Résumé : En clustering, il existe des approches combinant la réduction de dimension et la classification non supervisée qui sont basées sur la recherche de sous-espaces propres aux classes. Malgré les très bonnes performances de ces nouvelles approches, leur concept implique une impossibilité de toute visualisation informative de la structure des données puisque chaque classe est modélisée dans un espace qui lui est propre. Face à ces problèmes posés, ce travail propose une nouvelle paramétrisation du modèle de mélange gaussien qui modélise les groupes dans un espace latent discriminant. Cette modélisation permet d’adapter les procédures traditionnelles de classification automatique par modèles de mélange pour que les étapes de modélisation et de classification soient réalisées dans un sous-espace discriminant. Ce travail propose également un algorithme d’inférence pour les modèles proposés, appelé Fisher-EM.

Cet exposé se tiendra en salle C20-13, 20ème étage, Université Paris 1, Centre Pierre Mendes-France, 90 rue de Tolbiac, 75013 Paris (métro : Olympiades).