Estimation de densité par ensemble aléatoire de poly-arbres

La notion de mélange de modèles simples aléatoires est de plus en plus utilisée et avec
succès dans la littérature de l’apprentissage supervisé ces dernières années. Parmi les avantages
de ces méthodes, citons l’amélioration du passage à l’échelle des algorithmes d’apprentissage
grâce à leur aspect aléatoire et l’amélioration de l’exactitude de la prédiction des modèles
induits grâce à une flexibilité plus élevée en ce qui concerne le compromis biais/variance.
Dans le présent travail, nous proposons d’explorer cette idée dans le contexte de l’estimation
de la densité. Nous proposons une nouvelle famille de méthodes d’apprentissage non-supervisé
à base de mélange de grands ensembles aléatoires de poly-arbres. La caractéristique spécifique
de ces méthodes est leur passage à l’échelle, aussi bien en terme de nombre de variables
que de données à traiter. Cette étude, exploratoire, compare empiriquement ces méthodes sur
un ensemble de problèmes de test discrets de taille et de complexité croissantes et ouvre de
nombreuses perspectives auxquelles nous prévoyons de nous intéresser.