Auto-apprentissage à l'aide de prédicteurs de Venn-Abers - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Auto-apprentissage à l'aide de prédicteurs de Venn-Abers

Résumé

Dans les problèmes d'apprentissage supervisé, il est courant de disposer d'un grand nombre de données non étiquetées, mais de peu de données étiquetées. Il est alors souhaitable d'exploiter les données non étiquetées pour améliorer la procédure d'apprentissage. L'un des moyens pour y parvenir consiste à demander à un modèle de prédire des « pseudo-étiquettes » pour les données non étiquetées, afin de les utiliser pour l'apprentissage. Dans le cadre de l'auto-apprentissage, les pseudo-étiquettes sont fournies par le même modèle que celui qui les exploite. Comme ces pseudo-étiquettes sont par nature incertaines et seulement partiellement fiables, il est naturel de tenir compte de l'incertitude d'étiquetage dans le processus d'apprentissage, ne serait-ce que pour renforcer la procédure d'auto-apprentissage. Cet article décrit une telle approche, dans laquelle nous utilisons des prédicteurs Venn-Abers pour produire des étiquettes crédales calibrées afin de quantifier l'incertitude d'étiquetage. Ces étiquettes sont ensuite intégrées au processus d'apprentissage au moyen d'une fonction de cout adaptée. Les expériences montrent que la prise en compte de l'incertitude d'étiquetage renforce la procédure d'auto-apprentissage et lui permet généralement de converger plus rapidement.
Fichier principal
Vignette du fichier
Self_Learning_using_Venn_Abers_Predictors-LFA.pdf (2.58 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04371404 , version 1 (03-01-2024)

Identifiants

  • HAL Id : hal-04371404 , version 1

Citer

Côme Rodriguez, Vitor Martin Bordini, Sébastien Destercke, Benjamin Quost. Auto-apprentissage à l'aide de prédicteurs de Venn-Abers. 32èmes Rencontres Francophones sur la Logique Floue et ses Applications (LFA 2023), Nov 2023, Bourges, France. ⟨hal-04371404⟩
14 Consultations
15 Téléchargements

Partager

Gmail Facebook X LinkedIn More