Apprentissage semi-supervisé avec données partiellement étiquetées - Systèmes intelligents pour les données, les connaissances et les humains Access content directly
Conference Papers Year : 2023

Apprentissage semi-supervisé avec données partiellement étiquetées

Abstract

-Cet article propose d'étendre le cadre de l'apprentissage semi-supervisé en y intégrant des données mal étiquetées, ou encore étiquetées avec des avis divergents. Nous montrons quel gain de telles étiquettes peuvent apporter à un problème de classification, à la fois d'un point de vue théorique et d'un point de vue pratique. Notre modèle s'accompagne de garanties théoriques de performance qui permettent un contrôle précis de l'algorithme et de ses paramètres. De plus, la théorie de l'information nous montre que notre algorithme atteint des performances quasi-optimales.
Fichier principal
Vignette du fichier
GRETSI_2023.pdf (226.49 Ko) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

hal-04470156 , version 1 (21-02-2024)

Identifiers

  • HAL Id : hal-04470156 , version 1

Cite

Victor Leger, Romain Couillet. Apprentissage semi-supervisé avec données partiellement étiquetées. GRETSI 2023 - XXIXème Colloque Francophone de Traitement du Signal et des Images, GRETSI - Groupe de Recherche en Traitement du Signal et des Images, Aug 2023, Grenoble, France. ⟨hal-04470156⟩
16 View
8 Download

Share

Gmail Facebook X LinkedIn More