Une borne PAC-Bayésienne en espérance et son extension à l'apprentissage multivues

Anil Goyal 1, 2 Emilie Morvant 2 Pascal Germain 3
3 SIERRA - Statistical Machine Learning and Parsimony
DI-ENS - Département d'informatique de l'École normale supérieure, CNRS - Centre National de la Recherche Scientifique, Inria de Paris
Résumé : Nous proposons un théorème PAC-Bayésien s'exprimant comme une borne en espérance alors que les bornes PAC-Bayésiennes classiques sont des bornes probabilistes. Notre résultat principal est donc comme une borne en généralisation sur l'espérance du vote de majorité final. Nous utilisons ensuite ce résultat pour étudier l'apprentissage multivues lorsque l'on désire apprendre un modèle en deux étapes: (i) apprentissage d'un ou plusieurs votes de majorité pour chaque vue, (ii) que l'on combine lors d'une seconde étape. Enfin, nous validons empiriquement l'intérêt de cette approche PAC-Bayésienne pour l'apprentissage multivues.
Type de document :
Communication dans un congrès
Conférence Francophone sur l'Apprentissage Automatique (CAp), Jun 2017, Grenoble, France. 2017, 〈http://cap2017.imag.fr/〉
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/hal-01529219
Contributeur : Emilie Morvant <>
Soumis le : mardi 30 mai 2017 - 13:39:04
Dernière modification le : jeudi 26 avril 2018 - 10:29:05

Identifiants

  • HAL Id : hal-01529219, version 1

Collections

Citation

Anil Goyal, Emilie Morvant, Pascal Germain. Une borne PAC-Bayésienne en espérance et son extension à l'apprentissage multivues. Conférence Francophone sur l'Apprentissage Automatique (CAp), Jun 2017, Grenoble, France. 2017, 〈http://cap2017.imag.fr/〉. 〈hal-01529219〉

Partager

Métriques

Consultations de la notice

215