Apprentissage bayésien semi-supervisé par modélisation générative - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Apprentissage bayésien semi-supervisé par modélisation générative

Résumé

-Dans cet article, nous comparons les modélisations générative et discriminante sous le prisme de la quantification d'incertitude épistémique, et confrontons ensuite les deux approches à la problématique de l'apprentissage semi-supervisé. Nous expliquons que l'approche générative permet de prendre en compte des données non-labelisées dans la modélisation, ce qui est structurellement impossible avec une approche discriminante. Nous proposons enfin un algorithme d'échantillonnage permettant l'apprentissage semi-supervisé et la quantification de l'incertitude épistémique d'un modèle génératif.
Fichier principal
Vignette du fichier
2023_argouarch1365.pdf (278.17 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04316579 , version 1 (30-11-2023)

Identifiants

  • HAL Id : hal-04316579 , version 1

Citer

Elouan Argouarc'H, François Desbouvries, Eric Barat, Eiji Kawasaki, Thomas Dautremer. Apprentissage bayésien semi-supervisé par modélisation générative. GRETSI 2023 - XXIXème Colloque Francophone de Traitement du Signal et des Images (GRETSI ), Aug 2023, Grenoble, France. ⟨hal-04316579⟩
35 Consultations
12 Téléchargements

Partager

Gmail Facebook X LinkedIn More