Prédiction structurée localisée.

Résumé La clé de la prédiction structurée consiste à exploiter la structure du problème pour simplifier le processus d'apprentissage. Un défi majeur se pose lorsque les données présentent une structure locale (par exemple, elles sont composées de "parties") qui peut être exploitée pour mieux approximer la relation entre (parties de) l'entrée et (parties de) la sortie. La littérature récente sur le traitement du signal, et en particulier la vision par ordinateur, a montré que la capture de ces aspects est en effet essentielle pour atteindre des performances de pointe. Alors que ces algorithmes sont généralement dérivés au cas par cas, nous proposons dans ce travail le premier cadre théorique pour traiter les données basées sur les parties d'un point de vue général. Nous dérivons une nouvelle approche pour traiter ces problèmes et étudions ses propriétés de généralisation dans le cadre de la théorie de l'apprentissage statistique. Notre analyse est nouvelle en ce sens qu'elle quantifie explicitement les avantages de l'exploitation de la structure du problème basée sur les parties en ce qui concerne les taux d'apprentissage de l'estimateur proposé.