Apprentissage de sphères maximales d’exclusion avec garanties théoriques

Dans ce papier, nous proposons une methode d'apprentissage automatique avec garanties theoriques pour generer des spheres maximales d'exclusion sur des donnees binaires presentant un fort desequilibre. Notre objectif est d'apprendre un ensemble de spheres locales, centrees sur les exemples de la classe minoritaire, qui excluent les exemples de la classe majoritaire. Notre contribution est double : 1) le probleme est aborde comme un probleme d'apprentissage de metrique et 2) nous demontrons des resultats de stabilite uniforme sur le rayon et la metrique apprise par notre algorithme. Nos experiences sur des jeux de donnees reelles montrent l'interet de notre approche.