DPGN : Réseau de graphes à propagation de distribution pour l'apprentissage par quelques exemples

La plupart des approches de méta-apprentissage basées sur les réseaux de graphes modélisent les relations au niveau des instances entre exemples. Nous étendons cette idée en modélisant explicitement les relations au niveau des distributions d’un exemple par rapport à tous les autres exemples selon une approche 1-vs-N. Nous proposons une nouvelle méthode, nommée réseau de graphes à propagation de distribution (DPGN), pour l’apprentissage peu supervisé. Ce modèle intègre à la fois les relations au niveau des distributions et les relations au niveau des instances dans chaque tâche d’apprentissage peu supervisé. Pour combiner les relations au niveau des distributions et celles au niveau des instances pour tous les exemples, nous construisons un réseau de graphes complet dual, composé d’un graphe de points et d’un graphe de distributions, chaque nœud représentant un exemple. Grâce à cette architecture de graphe dual, DPGN propage les informations d’étiquetage des exemples étiquetés vers les exemples non étiquetés sur plusieurs générations de mise à jour. Dans des expériences étendues sur des benchmarks d’apprentissage peu supervisé, DPGN dépasse significativement les résultats de l’état de l’art, de 5 % à 12 % dans un cadre supervisé, et de 7 % à 13 % dans un cadre semi-supervisé. Le code sera publié.