Grant: Discovery Grants Program - Individual

Dans le domaine de la classification, plusieurs auteurs se sont intéressés à la caractérisation et l'évaluation des classes obtenues par le biais de divers algorithmes et méthodes permettant l'affectation d'un objet à une classe et son éventuel déplacement à une autre classe. Les méthodes utilisées se basent sur l'approche par maximum de vraisemblance et s'inscrivent dans un cadre plus général qu'est le mélange de densités. Le probléme, souvent rencontré, est celui relié à la caractérisation de la nature des classes obtenues.Ce projet de recherche a pour but d'approfondir les aspects théoriques des méthodes de mélange de densités et de mélange par maximum de vraisemblance en classification. Il vise également à les élargir à de nouvelles méthodes basées sur les réseaux de neurones artificiels. Ces dernières ont été surtout développées par des non statisticiens pour classifier, discriminer et modéliser de grandes banques de données. Elles connaissent un grand essor à cause, entre autres, de leur capacité de modélisation et de réduction. L'objectif et de développer un cadre théorique de comparaison entre les méthodes statistiques et les méthodes neuronales. Une approche hybride basée sur un apprentissage incrémental, c'est-à-dire un apprentissage qui améliore ses performances au fur et à mesure que de nouvelles données sont disponibles et qui permet de mémoriser ce qui a été déjà appris auparavant, sans recommencer systématiquement à partir de zéro, pourrait être envisagée. Il s'agit d'intégrer ce type d'apprentissage aux méthodes de classification afin de fournir une meilleure modélisation des données et, par ricochet, une meilleure détermination des classes obtenues. Le domaine d'application est en reconnaissance des formes.