Alteca poursuit ses avancées en intelligence artificielle et notamment sur le clustering multi-vues, avec la publication scientifique de DMFAW (Deep Matrix Factorization with Adaptive Weights) dans la revue internationale Pattern Recognition.
Ce travail de recherche, a été mené par Yasser Khalafaoui dans le cadre de sa thèse chez Alteca. Il a été réalisé en partenariat avec l’Université Sorbonne Paris Nord et la Maison des Sciences du Numérique (MSN). Il introduit une nouvelle méthode de clustering non-supervisé pour données multi-vues.
Le défi : regrouper des données issues de plusieurs sources
Le clustering est une technique essentielle pour regrouper automatiquement des données similaires sans avoir besoin de labels. Il est au cœur de nombreux cas d’usage :
- Systèmes de recommandation,
- Détection d’anomalies,
- Traitement du langage,
- Vision par ordinateur,
- Cybersécurité, etc.
Mais lorsque les données proviennent de sources multiples (texte, image, signaux capteurs…), leur traitement devient un problème complexe de clustering multi-vues.
Deep Matrix Factorization with Adaptive Weights : une réponse innovante
Le modèle DMFAW propose une solution performante à ce défi :
- Il détecte automatiquement les dimensions pertinentes dans chaque vue,
- Il pondère dynamiquement chaque source selon sa contribution réelle, via un mécanisme de poids adaptatifs,
- Il opère une fusion tardive pour un regroupement global des données plus fiable.
Résultats et bénéfices
DMFAW offre :
- Une convergence rapide et stable sur des jeux de données complexes,
- Des performances à l’état de l’art sur plusieurs benchmarks publics,
- Et une réduction du besoin de réglages manuels fastidieux.
Une nouvelle publication scientifique pour Alteca
Cette publication dans Pattern Recognition témoigne de l’engagement d’Alteca dans une R&D de haut niveau appliquée à des enjeux concrets, en partenariat avec Sorbonne Paris Nord et la Maison des Sciences du Numérique.
Auteurs : Yasser Khalafaoui, Basarab Matei, Martino Lovisetto, Nistor Grozavu (2025)
