TESI DOCTORAL - La Salle

Resum
En segmentar de forma no supervisada una col·lecció de dades, l’usuari ha de prendre
múltiples decisions –quin algorisme aplicar, com representar els objectes, en quants grups
agrupar aquests, entre d’altres– que condicionen, en gran mesura, la qualitat de la partició
resultant. Malauradament, la naturalesa no supervisada del problema fa difícil (quan no
impossible) prendre aquestes decisions de manera fonamentada, a no ser que es disposi de
cert coneixement del domini.
En un intent per combatre aquestes incerteses, aquesta tesi proposa una aproximació
al problema que minimitza, intencionadament, la presa de decisions per part de l’usuari.
Ans al contrari, s’encoratja l’ús de tants sistemes de classificació no supervisada com sigui
possible, combinant-los per tal d’obtenir la partició final de les dades (o partició deconsens).
Com més semblant sigui aquesta a la partició demàxima qualitat oferida pels sistemes de
classificació subjectes a combinació, major serà el grau de robustesa assolit respecte les
indeterminacions inherents a la classificació no supervisada.
Nogensmenys, la combinació indiscriminada de classificadors no supervisats planteja
dues dificultats principals, que són i) l’increment de la complexitat computacional del procés
de combinació, fins al punt que la seva execució pot esdevenir inviable si el nombre de
sistemes a combinar és excessiu, i ii) l’obtenció de particions de consens de baixa qualitat
deguda a la inclusió de sistemes de classificació pobres. Amb l’objectiu de lluitar contra
aquests problemes, aquesta tesi introdueix les arquitectures de consens jeràrquiques autorefinables
com a via per a l’obtenció de particions de consens de bona qualitat amb baix
cost computacional, tal i com confirmen els nombrosos experiments realitzats.
Amb la intenció d’exportar aquesta estratègia de classificació no supervisada robusta
a un marc generalista, es proposa un conjunt de funcions de consens basades en votació
per a la combinació de classificadors difusos. Diversos experiments demostren que les seves
prestacions són comparables o superiors a bona part de l’estat de l’art.
Les nostres propostes són aplicables de forma natural a la classificació robusta de dades
multimodals –un problema d’interès ben actual donada la ubiqüitat de la multimèdia–, ja
que l’existència de múltiples modalitats planteja indeterminacions addicionals que dificulten
l’obtenció de particions robustes. La base de la nostra proposta és la creació deconjunts
de particions multimodals, el que permet l’ús natural i simultani de tècniques de fusió de
modalitats avançada i retardada, donant peu a una aproximació genèrica i eficient a la classificació
multimèdia —els resultats de la qual s’analitzen al llarg de múltiples experiments.
v