Apprentissage avec structure de regroupement.

Résumé Nous étudions un problème de regroupement supervisé qui cherche à regrouper soit des caractéristiques, soit des tâches, soit des points d'échantillonnage en utilisant des pertes extraites de problèmes d'apprentissage supervisé. Nous formulons un problème d'optimisation unifié gérant ces trois paramètres et dérivons des algorithmes dont la complexité d'itération principale est concentrée dans une étape de clustering k-means, qui peut être approximée efficacement. Nous testons nos méthodes sur des ensembles de données artificielles et réalistes extraites de critiques de films et de 20NewsGroup.