Apprentissage de pénalités éparses pour la détection de points de changement à l'aide de la régression par intervalle à marge maximale.

Résumé Dans les modèles de segmentation, le nombre de points de changement est généralement choisi en utilisant une fonction de coût pénalisée. Dans ce travail, nous proposons d'apprendre la pénalité et ses constantes dans des bases de données de signaux avec de faibles annotations de points de changement. Nous proposons une relaxation convexe pour le problème de régression par intervalles qui en résulte, et nous le résolvons en utilisant des méthodes accélérées de gradient proximal. Nous montrons que cette méthode permet une détection de pointe des points de changement dans une base de données de profils de nombre de copies d'ADN annotés provenant de tumeurs de neuroblastome.