Des besoins actuels orientent la recherche en apprentissage multi-label interactif vers l'intégration d'un très grand nombre de variables à la fois en entrée et en sortie. Pour s'adapter à ce cadre, nous nous intéressons particulièrement à des algorithmes qui apprennent par l'intermédiaire d'une réduction de dimension. Dans cette étude, nous en comparons expérimentalement trois (SSI, CCA et Gravity) sur des données réelles et des données synthétiques engendrées pour tester leur capacité à extraire les informations pertinentes, leur tenue de charge et leur prise en compte d'un contexte très simple.