Work

Classification multi-tâches semi-supervisée en grande dimension

Year: 2022

Type: conference-paper

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.

Source: HAL

Authors: Leger, Victor, Tiomoko, Malik, Couillet, Romain

Institutions: Laboratoire d'Informatique de Grenoble, Huawei Technologies (France)

Language: French

Topic: Machine Learning and Algorithms

Subfield: Artificial Intelligence

Field: Computer Science

Domain: Physical Sciences

Open Access status: green

OpenAlex ID: W4392012227

FWCI:

Cites:

Cited by:

Related to: 10