L’annotation précise de grands ensembles de données est notoirement coûteuse en temps et en argent. Bien qu’il soit beaucoup moins cher d’obtenir des ensembles d’annotations de faible qualité, leur utilisation sans traitement particulier nuit souvent gravement à la performance des modèles entraînés. De nombreuses méthodes ont été proposées pour l’apprentissage avec des étiquettes bruitées. Toutefois, la plupart d’entre elles ne traitent que certains types limités de bruits, nécessitent des informations ou des étapes auxiliaires (par exemple, la connaissance ou l’estimation de la matrice de transition du bruit), ou manquent de justification théorique. Dans cet article, nous proposons une nouvelle fonction de perte fondée sur la théorie de l’information, notée L_DMI, pour entraîner des réseaux neuronaux profonds résistants au bruit d’étiquettes. Le cœur de L_DMI repose sur une version généralisée de l’information mutuelle, appelée Information Mutuelle Basée sur le Déterminant (DMI), qui est non seulement monotone en information mais aussi relativement invariante. À notre connaissance, L_DMI est la première fonction de perte prouvée robuste face au bruit d’étiquettes indépendant des instances, quelle que soit la nature du bruit, et peut être appliquée directement à tout réseau neuronal de classification existant sans nécessiter d’information auxiliaire. En plus d’une justification théorique, nous démontrons empiriquement que l’utilisation de L_DMI surpassent toutes les autres méthodes sur des tâches de classification, tant sur des jeux de données d’images que sur des jeux de données de langage naturel, incluant Fashion-MNIST, CIFAR-10, Dogs vs. Cats, MR, avec diverses configurations de bruit synthétisé et de niveaux de bruit, ainsi qu’un jeu de données du monde réel, Clothing1M.