Les approches classiques d'apprentissage supervisé se concentrent sur la correspondance entre les caractéristiques d'entrée et les étiquettes de sortie. Une fois l'entraînement terminé, les modèles appris sont appliqués isolément aux caractéristiques de test afin de prédire les étiquettes de test, sans tirer parti des données d'entraînement ni de leurs relations mutuelles, qui sont ainsi perdues. Pour exploiter pleinement le volume considérable de données d'entraînement ainsi que leurs associations, nous proposons un nouveau paradigme d'apprentissage appelé apprentissage différentiel associé à la mémoire (Memory-Associated Differential, MAD). Nous introduisons tout d'abord un composant supplémentaire nommé Mémoire, chargé de mémoriser l'ensemble des données d'entraînement. Ensuite, nous apprenons les différences entre les étiquettes ainsi que les associations entre les caractéristiques, en combinant une équation différentielle avec des méthodes d'échantillonnage. Enfin, lors de la phase d'évaluation, nous prédisons les étiquettes inconnues en inférant à partir des faits mémorisés, combinés aux différences et associations apprises, de manière géométriquement significative. Nous développons théoriquement ce cadre dans des situations unaires, et le mettons en œuvre pour la reconnaissance d'images, avant de l'étendre à la prédiction de liens dans un contexte binaire, où notre méthode surpasse les meilleures méthodes de pointe actuelles sur le jeu de données ogbl-ddi.