Boosting multi-vues en contrôlant la diversité et la précision des votants spécifiques aux vues.

Résumé Dans cet article, nous proposons un algorithme d'apprentissage multivues basé sur le boosting, appelé PB-MVBoost, qui apprend de manière itérative i) les poids sur les votants spécifiques aux vues capturant des informations spécifiques aux vues et ii) les poids sur les vues en optimisant une limite C multivues PAC-Bayes qui prend en compte la précision des classificateurs spécifiques aux vues et la diversité entre les vues. Nous dérivons une limite de généralisation pour cette stratégie en suivant la théorie PAC-Bayes qui est un outil approprié pour traiter les modèles exprimés comme une combinaison pondérée sur un ensemble de votants. Différentes expériences sur trois ensembles de données disponibles publiquement montrent l'efficacité de l'approche proposée par rapport aux modèles de l'état de l'art.