Techniques Auto Améliorantes de l’Apprentissage des Classifieurs : Application aux Données Médicales.

Abstract

L’Algorithme de RétroPropagation ,ARP, est l’algorithme le plus connu et le pus utilisé pour l’apprentissage des Réseaux de Neurones Artificiels RNAs. L’ARP a su prouvé son efficacité et sa réussite dans plusieurs domaines de la classification : en Médecine, bioinformatique, télécommunications, etc. Néanmoins, l’ARP présente quelques limitations qui empêchent d'atteindre un niveau d'efficacité optimal (problèmes de lenteur, de la convergence et de précision dans la classification).Les inconvénients de cet algorithme ont mené à un grand nombre de recherches pour essayer de surmonter ces problèmes. Cependant, malgré toutes les modifications et améliorations proposées pour l’ARP, il n’existe toujours pas de solution optimale, qui peut résoudre tous les problèmes. Dans cette thèse de doctorat nous proposons un algorithme pour améliorer certaines de ces lacunes. L’algorithme proposé est un classifieur neuronal basé sur la propriété biologique de la Métaplasticité. La Métaplasticité est un concept biologique largement utilisé dans les domaines de la biologie, de l’informatique médicale, des neurosciences, de physiologie, de neurologie et beaucoup d’autres. La Métaplasticité est étroitement liée au processus de mémorisation et de l’apprentissage. L’un des avantages majeur de l’algorithme de Métaplasticité Artificielle est sa facilité d’implémentation dans les réseaux de neurones artificiels. Dans cette thèse l’algorithme est appliqué à un perceptron multi couches, MAPMC, (Métaplasticité Artificielle appliquée sur un Perceptron Multi Couches) afin de modéliser la Métaplasticité biologique. De tous les modèles de métaplasticité proposés jusqu’à maintenant, le plus efficace du point de vue de l’apprentissage et la performance est celui qui utilise la théorie d’information de Shannon, qui établit que les paramètres les moins fréquents contiennent plus d’information que les paramètres les plus fréquents. Le concept de métaplastcité va être appliqué durant la phase d’apprentissage de telle sorte que les paramètres les moins fréquents auront des poids synaptiques plus forts que les paramètres les plus fréquents. Cet algorithme est basé sur une fonction d’apprentissage qui modélise le fonctionnement biologique des synapses et de leur métaplasticité. Cette fonction d’optimisation permet de modifier les poids synaptiques lors d’un processus d’apprentissage. L’application du MAPMC vise à améliorer les résultats de l’apprentissage et par conséquent les performances de classification. Notre algorithme permet de pondérer les données les moins fréquentes (minoritaires) afin de mener un apprentissage convenable du classifieur. L’algorithme proposé MAPMC est appliqué à différent problèmes de classification des données médicales. Le MAPMC a démontré une supériorité dans les résultats en terme de bonne classification, de vitesse de convergence, de fiabilité et une faible complexité dans le calcul, en comparaison avec d’autres algorithmes proposés dans la littérature et appliqués dans le même domaine.