Classification multi-tâches semi-supervisée en grande dimension - Systèmes intelligents pour les données, les connaissances et les humains Access content directly
Conference Papers Year : 2022

Classification multi-tâches semi-supervisée en grande dimension

Victor Leger
  • Function : Author
  • PersonId : 1355092
  • IdHAL : victorleger
Malik Tiomoko
  • Function : Author
  • PersonId : 1355101
Romain Couillet
  • Function : Author
  • PersonId : 1112879

Abstract

-Cet article propose un nouveau cadre pour l'apprentissage semi-supervisé multi-tâches. La méthode est justifiée par une analyse statistique de la performance sous l'hypothèse de données de grande dimension, et apporte une amélioration théorique permettant notamment d'éviter la limite classique du transfert négatif, en particulier grâce à l'utilisation d'étiquettes à valeurs flottantes. Ainsi, le travail ouvre la voie à la création d'algorithmes efficaces et appuyés par la théorie qui apprennent à partir de jeux de données hétérogènes et peu ou mal étiquetés, ce qui constitue un problème à la fois ambitieux et fréquent en apprentissage statistique.
Fichier principal
Vignette du fichier
GRETSI_2022.pdf (257.09 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
licence : CC BY SA - Attribution - ShareAlike

Dates and versions

hal-04470185 , version 1 (21-02-2024)

Licence

Attribution - ShareAlike

Identifiers

  • HAL Id : hal-04470185 , version 1

Cite

Victor Leger, Malik Tiomoko, Romain Couillet. Classification multi-tâches semi-supervisée en grande dimension. GRETSI 2022 - XXVIIIème Colloque Francophone de Traitement du Signal et des Images, GRETSI - Groupe de Recherche en Traitement du Signal et des Images, Sep 2022, Nancy, France. ⟨hal-04470185⟩
10 View
2 Download

Share

Gmail Facebook X LinkedIn More