@InProceedings{2019_kammoun366,
	author = "Abla Kammoun and Houssem Sifaou and Mohamed-slim Alouini",
	title = "Analyse linéaire discriminante pour des modèles de variances hétérogènes",
	booktitle = "27° Colloque sur le traitement du signal et des images",
	year = "2019",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "001-0151",
	pages = "p. 605-608",
	month = "Aout # 26--29",
	address = "Lille",
	doi = "",
	pdf = "2019_kammoun366.pdf",
	abstract = "L’analyse linéaire discriminante est une technique de classification largement utilisée dans le domaine de l’apprentissage statistique.
Sous l’hypothèse de distribution gaussienne, elle correspond à la méthode de classification optimale selon le principe de maximum de vraisem-
blance, sous condition que les classes ont une covariance commune, parfaitement connue ainsi que leurs moyennes respectives. En pratique,
ces quantités statistiques ne sont pas disponibles. Elles sont estimées à partir d’un échantillon d’apprentissage dans lequel la classe associée à
chaque observation est connue. Plusieurs méthodes d’estimation pourront être employées, parmi lesquelles les moyennes empiriques et matrices
de covariance empiriques sont les plus répandues. Cependant, l’utilisation de ces techniques n’est pas toujours possible ou pourrait conduire à
des performances médiocres. Ceci devient le cas si le nombre de variables et la taille de l’échantillon d’apprentissage sont du même ordre de
grandeur. Dans ce travail, nous proposons une nouvelle technique d’estimation des matrices de covariance adaptée à des modèles de variance
hétérogènes. Dans ces modèles, la matrice de covariance est supposée être une perturbation de rang fini d’une matrice proportionnelle à l’identité.
L’estimateur proposé suit la même structure, avec une perturbation dont les valeurs propres associées sont des paramètres qui seront optimisés
afin de maximiser les performances en classification. Curieusement, ces paramètres peuvent être optimisés facilement en utilisant uniquement
l’échantillon d’apprentissage et sans recours aux méthodes de validation croisée. Des simulations extensives ont été effectuées pour tester les
performances de la méthode proposée sur des données synthétiques et réelles et montrent qu’elle devance largement les techniques d’analyse
discriminante classiques..pdf",
}
