Classification multi-tâches semi-supervisée en grande dimension
Résumé
-Cet article propose un nouveau cadre pour l'apprentissage semi-supervisé multi-tâches. La méthode est justifiée par une analyse statistique de la performance sous l'hypothèse de données de grande dimension, et apporte une amélioration théorique permettant notamment d'éviter la limite classique du transfert négatif, en particulier grâce à l'utilisation d'étiquettes à valeurs flottantes. Ainsi, le travail ouvre la voie à la création d'algorithmes efficaces et appuyés par la théorie qui apprennent à partir de jeux de données hétérogènes et peu ou mal étiquetés, ce qui constitue un problème à la fois ambitieux et fréquent en apprentissage statistique.
Domaines
Mathématiques [math]Origine | Fichiers produits par l'(les) auteur(s) |
---|---|
Licence |