Apprentissage semi-supervisé avec données partiellement étiquetées
Résumé
-Cet article propose d'étendre le cadre de l'apprentissage semi-supervisé en y intégrant des données mal étiquetées, ou encore étiquetées avec des avis divergents. Nous montrons quel gain de telles étiquettes peuvent apporter à un problème de classification, à la fois d'un point de vue théorique et d'un point de vue pratique. Notre modèle s'accompagne de garanties théoriques de performance qui permettent un contrôle précis de l'algorithme et de ses paramètres. De plus, la théorie de l'information nous montre que notre algorithme atteint des performances quasi-optimales.
Domaines
Mathématiques [math]Origine | Fichiers produits par l'(les) auteur(s) |
---|