Dans l’apprentissage avec des étiquettes bruitées, la matrice de transition joue un rôle fondamental dans la construction de classifieurs statistiquement consistants. Les estimateurs existants de la matrice de transition reposent sur l’hypothèse d’existence de points d’ancrage (anchor points). Toutefois, cette hypothèse n’est pas toujours satisfaite dans des scénarios réels. Dans cet article, nous proposons un cadre end-to-end pour résoudre le problème de l’apprentissage avec des étiquettes bruitées sans recourir à des points d’ancrage. Dans ce cadre, nous optimisons simultanément deux objectifs : la perte d’entropie croisée entre l’étiquette bruitée et la probabilité prédite par le réseau neuronal, ainsi que le volume du simplexe formé par les colonnes de la matrice de transition. Notre méthode permet d’identifier la matrice de transition sous l’hypothèse que les probabilités a posteriori des classes propres sont suffisamment dispersées. Il s’agit, à ce jour, de l’hypothèse la plus faible sous laquelle la matrice de transition est prouvée identifiable et le classifieur appris statistiquement consistant. Les résultats expérimentaux sur des jeux de données standards démontrent l’efficacité et la robustesse de la méthode proposée.