Apprentissage semi-supervisé avec données partiellement étiquetées - Systèmes intelligents pour les données, les connaissances et les humains Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Apprentissage semi-supervisé avec données partiellement étiquetées

Résumé

-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
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

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

Identifiants

  • HAL Id : hal-04470156 , version 1

Citer

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⟩
30 Consultations
23 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More