Apprentissage à faible tirage avec diffusion à grande échelle

Ce travail aborde le problème de l'inférence des étiquettes d'images à partir d'images lorsque très peu d'exemples annotés sont disponibles lors de l'entraînement. Cette configuration est souvent désignée sous le nom d'apprentissage à faibles tirs (low-shot learning), où une approche standard consiste à ré-entraîner les dernières couches d'un réseau neuronal convolutif appris sur des classes distinctes pour lesquelles il existe de nombreux exemples d'entraînement. Nous considérons un cadre semi-supervisé basé sur une grande collection d'images pour soutenir la propagation des étiquettes. Cela est rendu possible grâce aux récentes avancées dans la construction de grands graphes de similarité.Nous démontrons que malgré sa simplicité conceptuelle, l'échelle de la propagation des étiquettes jusqu'à plusieurs centaines de millions d'images conduit à une précision au niveau de l'état de l'art dans le régime d'apprentissage à faibles tirs.