Classification multi-tâches semi-supervisée en grande dimension - Systèmes intelligents pour les données, les connaissances et les humains Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Classification multi-tâches semi-supervisée en grande dimension

Victor Leger
  • Fonction : Auteur
  • PersonId : 1355092
  • IdHAL : victorleger
Malik Tiomoko
  • Fonction : Auteur
  • PersonId : 1355101
Romain Couillet

Résumé

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

Dates et versions

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

Licence

Identifiants

  • HAL Id : hal-04470185 , version 1

Citer

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⟩
15 Consultations
3 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More