Classes adversaires dans l'apprentissage avec peu d'exemples - Archive ouverte HAL Access content directly
Conference Papers Year : 2022

Classes adversaires dans l'apprentissage avec peu d'exemples

Abstract

-L'apprentissage avec peu d'exemples est un problème de l'apprentissage automatique où très peu d'exemples étiquetés sont disponibles. Souvent, les connaissances d'un modèle pré-entraîné avec beaucoup de données sur des classes disjointes sont transférées pour répondre au problème. Il est communément admis que, plus ces données de pré-entraînement sont nombreuses et variées, meilleure sera la performance. Au contraire, nous montrons que moins peut faire mieux. Au travers d'expériences et d'une modélisation basée sur le rapport signal à bruit, nous montrons qu'un choix plus judicieux de ces données peut être fait.
Fichier principal
Vignette du fichier
lafargue928 (6).pdf (705.03 Ko) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

hal-03690074 , version 1 (07-06-2022)

Identifiers

  • HAL Id : hal-03690074 , version 1

Cite

Raphael Lafargue, Jean-Philippe Diguet, Vincent Gripon, Bastien Pasdeloup. Classes adversaires dans l'apprentissage avec peu d'exemples. GRETSI 2022 : 28ème colloque du Groupement de Recherche en Traitement du Signal et des Images, Sep 2022, Nancy, France. ⟨hal-03690074⟩
130 View
52 Download

Share

Gmail Facebook X LinkedIn More