Prédiction structurée avec étiquetage partiel par la perte minimale.

Résumé L'annotation des ensembles de données est l'un des principaux coûts de l'apprentissage supervisé actuel. L'objectif de la supervision faible est de permettre aux modèles d'apprendre en utilisant uniquement des formes d'étiquetage qui sont moins coûteuses à collecter, comme l'étiquetage partiel. Il s'agit d'un type d'annotation incomplète où, pour chaque point de données, la supervision est présentée comme un ensemble d'étiquettes contenant la vraie étiquette. Le problème de l'apprentissage supervisé avec étiquetage partiel a été étudié pour des cas spécifiques tels que la classification, le multi-label, le classement ou la segmentation, mais un cadre général fait toujours défaut. Cet article fournit un cadre unifié basé sur la prédiction structurée et sur le concept de perte infimum pour traiter l'étiquetage partiel sur une large famille de problèmes d'apprentissage et de fonctions de perte. Le cadre conduit naturellement à des algorithmes explicites qui peuvent être facilement mis en œuvre et pour lesquels la cohérence statistique et les taux d'apprentissage sont prouvés. Les expériences confirment la supériorité de l'approche proposée par rapport aux méthodes de base couramment utilisées.