Bornes du vote majoritaire multi-classes en présence du bruit sur les étiquettes de classes

Vasilii Feofanov (1) , Emilie Devijver (1) , Massih-Reza Amini (1)

1 APTIKAL - Algorithms, Principles and TheorIes for collaborative Knowledge acquisition And Learning

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.

Mots clés: Noisy Labels; Ensemble Methods; Semisupervised Learning

Domaines: Apprentissage [cs.LG]

Vasilii Feofanov, Emilie Devijver, Massih-Reza Amini. Bornes du vote majoritaire multi-classes en présence du bruit sur les étiquettes de classes. Conférence sur l'Apprentissage Automatique, Jun 2021, Saint Etienne, France. ⟨hal-03266247⟩