Désambiguïsation de la supervision faible menant à des taux de convergence exponentiels.

Résumé L'apprentissage automatique abordé par l'apprentissage supervisé nécessite une annotation coûteuse des données. Cela motive l'apprentissage faiblement supervisé, où les données sont annotées avec des informations incomplètes mais discriminantes. Dans cet article, nous nous concentrons sur l'étiquetage partiel, une instance de supervision faible où, à partir d'une entrée donnée, on nous donne un ensemble de cibles potentielles. Nous passons en revue un principe de désambiguïsation pour récupérer la supervision complète à partir de la supervision faible, et nous proposons un algorithme de désambiguïsation empirique. Nous prouvons des taux de convergence exponentiels de notre algorithme sous les hypothèses classiques d'apprenabilité, et nous illustrons l'utilité de notre méthode sur des exemples pratiques.