Hierarchical self-refining consensus architectures and soft consensus functions for robust multimedia clustering
Xavier Domínguez · Procesamiento del lenguaje natural · 2009
Al segmentar de forma no supervisada una coleccion de datos, el usuario debe tomar multiples decisiones que algoritmo aplicar, como representar los objetos, en cuantos grupos agrupar estos, entre otras que condicionan, en gran medida, la calidad de la particion resultante, Desgraciadamente, la naturaleza no supervisada del problema hace dificil (cuando no imposible) tomar estas decisiones de manera fundamentada, a no ser que se disponga de cierto conocimiento del dominio. En un intento por combatir estas incertidumbres, esta tesis propone una aproximacion al problema que minimiza, intencionadamente, la toma de decisiones por parte del usuario. Al contrario, se alienta el uso de tantos sistemas de clasificacion no supervisada como sea posible, combinandolos con el fin de obtener la particion final de los datos (o particion de consenso). Cuanto mas similar sea esta a la particion de maxima calidad ofrecida por los sistemas de clasificacion sujetos a combinacion, mayor sera el grado de robustez respecto a las indeterminaciones inherentes a la clasificacion no supervisada. No obstante, la combinacion indiscriminada de clasificadores no supervisados plantea dos dificultades principales, que son i) el incremento de la complejidad computacional del proceso de combinacion, hasta el punto que su ejecucion puede ser inviable si el numero de sistemas a combinar es excesivo, y ii) la obtencion de particiones de consenso de baja calidad debida a la inclusion de sistemas de clasificacion pobres. Con el objetivo de luchar contra estos problemas, esta tesis introduce las arquitecturas de consenso jerarquicas auto-refinables como via para la obtencion de particiones de consenso de buena calidad con bajo coste computacional, tal como confirman los numerosos experimentos realizados. Con la intencion de exportar esta estrategia de clasificacion no supervisada robusta a un marco generalista, se propone un conjunto de funciones de consenso basadas en votacion para la combinacion de clasificadores difusos. Diversos experimentos demuestran que sus prestaciones son comparables o superiores a buena parte del estado del arte. Nuestras propuestas son aplicables de forma natural a la clasificacion robusta de datos multimodales i) un problema de interes actual dada la ubicuidad de la multimedia ii), ya que la existencia de multiples modalidades plantea indeterminaciones adicionales que dificultan la obtencion de particiones robustas. La base de nuestra propuesta es la creacion de conjuntos de particiones multimodales, lo que permite el uso natural y simultaneo de tecnicas de fusion de modalidades temprana y tardia, dando pie a una aproximacion generica y eficiente a la clasificacion multimedia cuyos resultados se analizan a lo largo de multiples experimentos.