Apprentissage d'embeddings de sortie dans la prédiction structurée.

Résumé Une approche puissante et flexible de la prédiction structurée consiste à intégrer les objets structurés à prédire dans un espace caractéristique de dimension éventuellement infinie au moyen de noyaux de sortie, puis à résoudre un problème de régression dans cet espace de sortie. Une prédiction dans l'espace original est calculée en résolvant un problème de pré-image. Dans une telle approche, l'intégration, liée à la perte cible, est définie avant la phase d'apprentissage. Dans ce travail, nous proposons d'apprendre conjointement une approximation finie de l'encastrement de sortie et de la fonction de régression dans le nouvel espace caractéristique. À cette fin, nous exploitons des informations a priori sur les sorties ainsi que des données de sortie non supervisées non exploitées, qui sont toutes deux souvent disponibles dans les problèmes de prédiction structurée. Nous prouvons que le prédicteur structuré résultant est un estimateur cohérent, et nous dérivons une limite de risque excédentaire. En outre, le nouvel outil de prédiction structurée présente une complexité de calcul nettement inférieure à celle des anciennes méthodes à noyau de sortie. L'approche testée empiriquement sur divers problèmes de prédiction structurée se révèle polyvalente et capable de traiter de grands ensembles de données.