Bornes du vote majoritaire multi-classes en présence du bruit sur les étiquettes de classes
| Autor: | Feofanov, Vasilii, Devijver, Emilie, Amini, Massih-Reza |
|---|---|
| Přispěvatelé: | Analyse de données, Modélisation et Apprentissage automatique [Grenoble] (AMA), Laboratoire d'Informatique de Grenoble (LIG), Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes (UGA)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP ), Université Grenoble Alpes (UGA)-Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes (UGA)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP ), Université Grenoble Alpes (UGA), ANR-19-P3IA-0003,MIAI,MIAI @ Grenoble Alpes(2019) |
| Jazyk: | francouzština |
| Rok vydání: | 2021 |
| Předmět: | |
| Zdroj: | Conférence sur l'Apprentissage Automatique Conférence sur l'Apprentissage Automatique, Jun 2021, Saint Etienne, France |
| Popis: | International audience; Dans ce travail, nous considérons le cadre de classification multi-classes avec des exemples d'apprentissage présentant des imperfections dans leurs étiquettes de classes. Nous modélisons cette imperfection avec un modèle d'erreur probabiliste. Sur cette base, nous dérivons des garanties théoriques pour un classifieur de vote majoritaire en étendant la borne C multi-classes, une borne supérieure du second ordre. Enfin, nous montrons empiriquement le comportement de la borne et discutons de son application pour les approches semi-supervisé basées sur le pseudo-étiquetage, en particulier pour l'auto-apprentissage. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|