Apprentissage avec Étiquettes Complémentaires pour des Pertes et Modèles Arbitraires

Contrairement au paradigme de classification standard où la classe vraie est attribuée à chaque modèle d'entraînement, l'apprentissage par étiquettes complémentaires n'utilise que des modèles d'entraînement chacun munis d'une étiquette complémentaire, qui spécifie seulement une des classes à laquelle le modèle n'appartient pas. L'objectif de cet article est de développer un nouveau cadre pour l'apprentissage par étiquettes complémentaires avec un estimateur sans biais du risque de classification, pour des pertes et des modèles quelconques—toutes les méthodes existantes ont échoué à atteindre cet objectif. Non seulement cela est bénéfique pour la phase d'apprentissage, mais cela rend également possible la sélection de modèle/paramètres hyper (par validation croisée) sans nécessiter aucune donnée de validation ordinairement étiquetée, tout en utilisant des modèles linéaires/non-linéaires ou des fonctions de perte convexes/non-convexes. Nous améliorons davantage l'estimateur du risque par une correction non négative et une astuce de montée de gradient, et nous démontrons sa supériorité à travers des expériences.