Une borne PAC-Bayésienne en espérance et son extension à l'apprentissage multivues

Anil Goyal (1, 2) , Emilie Morvant (2) , Pascal Germain (3)

1 AMA - Analyse de données, Modélisation et Apprentissage automatique [Grenoble]
2 LHC - Laboratoire Hubert Curien
3 SIERRA - Statistical Machine Learning and Parsimony

Nous proposons un théorème PAC-Bayésien s'exprimant comme une borne en espérance alors que les bornes PAC-Bayésiennes classiques sont des bornes probabilistes. Notre résultat principal est donc comme une borne en généralisation sur l'espérance du vote de majorité final. Nous utilisons ensuite ce résultat pour étudier l'apprentissage multivues lorsque l'on désire apprendre un modèle en deux étapes: (i) apprentissage d'un ou plusieurs votes de majorité pour chaque vue, (ii) que l'on combine lors d'une seconde étape. Enfin, nous validons empiriquement l'intérêt de cette approche PAC-Bayésienne pour l'apprentissage multivues.

Domaines: Machine Learning [stat.ML]

Anil Goyal, Emilie Morvant, Pascal Germain. Une borne PAC-Bayésienne en espérance et son extension à l'apprentissage multivues. Conférence Francophone sur l'Apprentissage Automatique (CAp), Jun 2017, Grenoble, France. ⟨hal-01529219⟩