Séparateurs à Vaste Marge pondérés en norme L2 pour la sélection de variables en apprentissage d'ordonnancement

Abstract

Les algorithmes d'apprentissage d'ordonnancement utilisent un très grand nombre de caractéristiques pour apprendre les fonctions d'ordonnancement, entraînant une augmentation des temps d'exécution et du nombre de caractéristiques redondantes ou bruitées. La sélection de variables est une méthode prometteuse pour résoudre ces enjeux. Dans cet article, nous proposons de nouvelles méthodes de sélection de variables en apprentissage d'ordonnancement basées sur des approches de pondération des SVM en norme `2. Nous proposons une adaptation d'une méthode `2-AROM pour la résolution des SVM en norme `0 et un algorithme générique de pondération de la norme `2 qui résout les problèmes en norme `0 et `1. Nos expérimentations montrent que les méthodes proposées sont jusqu'à 7 fois plus rapides et 10 fois plus parcimonieuses que l'état de l'art, pour des qualités d'ordonnancement équivalentes.