Skip to Main content Skip to Navigation
Conference papers

Classes adversaires dans l'apprentissage avec peu d'exemples

Raphael Lafargue 1, 2 Jean-Philippe Diguet 3 Vincent Gripon 1, 2 Bastien Pasdeloup 4, 5 
2 Lab-STICC_2AI - Equipe Algorithm Architecture Interactions
Lab-STICC - Laboratoire des sciences et techniques de l'information, de la communication et de la connaissance : UMR6285
5 Lab-STICC_DECIDE - Equipe DECIDE
Lab-STICC - Laboratoire des sciences et techniques de l'information, de la communication et de la connaissance : UMR6285
Résumé : -L'apprentissage avec peu d'exemples est un problème de l'apprentissage automatique où très peu d'exemples étiquetés sont disponibles. Souvent, les connaissances d'un modèle pré-entraîné avec beaucoup de données sur des classes disjointes sont transférées pour répondre au problème. Il est communément admis que, plus ces données de pré-entraînement sont nombreuses et variées, meilleure sera la performance. Au contraire, nous montrons que moins peut faire mieux. Au travers d'expériences et d'une modélisation basée sur le rapport signal à bruit, nous montrons qu'un choix plus judicieux de ces données peut être fait.
Complete list of metadata

https://hal.archives-ouvertes.fr/hal-03690074
Contributor : Raphael Lafargue Connect in order to contact the contributor
Submitted on : Tuesday, June 7, 2022 - 6:48:21 PM
Last modification on : Friday, August 5, 2022 - 2:54:52 PM

File

lafargue928 (6).pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-03690074, version 1

Citation

Raphael Lafargue, Jean-Philippe Diguet, Vincent Gripon, Bastien Pasdeloup. Classes adversaires dans l'apprentissage avec peu d'exemples. GRETSI, Sep 2022, Nancy, France. ⟨hal-03690074⟩

Share

Metrics

Record views

7

Files downloads

4