Sous-espaces adaptatifs pour l'apprentissage peu supervisé

La reconnaissance d’objets nécessite une capacité de généralisation afin d’éviter le surajustement, particulièrement lorsque les échantillons sont extrêmement rares. La généralisation à partir de faibles échantillons, étudiée classiquement dans le cadre de l’apprentissage métadynamique (meta-learning), confère aux techniques d’apprentissage la capacité d’adapter rapidement leurs performances dans des environnements dynamiques, et constitue un élément essentiel de l’apprentissage continu tout au long de la vie. Dans cet article, nous proposons un cadre pour l’apprentissage à très peu d’exemples (few-shot learning) en introduisant des classificateurs dynamiques construits à partir de très peu d’échantillons. Une méthode de sous-espace est exploitée comme bloc central d’un classificateur dynamique. Nous démontrons empiriquement que ce modèle offre une robustesse accrue aux perturbations (par exemple, aux valeurs aberrantes) et obtient des résultats compétitifs sur les tâches de classification supervisée et semi-supervisée à très peu d’exemples. Nous introduisons également une formulation discriminative capable d’améliorer davantage la précision. Le code source est disponible à l’adresse suivante : https://github.com/chrysts/dsn_fewshot