Classes adversaires dans l'apprentissage avec peu d'exemples - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Classes adversaires dans l'apprentissage avec peu d'exemples

Résumé

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

Dates et versions

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

Identifiants

  • HAL Id : hal-03690074 , version 1

Citer

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⟩
147 Consultations
60 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More