Dans la classification à partir de peu de données ('few-shot classification'), nous sommes intéressés aux algorithmes d'apprentissage qui peuvent produire un classificateur à partir d'une poignée d'exemples étiquetés. Les progrès récents dans ce domaine sont basés sur le méta-apprentissage, où un modèle paramétré d'un algorithme d'apprentissage est défini et entraîné sur des épisodes représentant différents problèmes de classification, chacun ayant un petit ensemble d'entraînement étiqueté et son ensemble de test correspondant. Dans les travaux derrière cette présentation, nous avançons ce paradigme de classification vers un scénario où des exemples non-étiquetés sont également disponibles dans chaque épisode. Pour s'attaquer à ce paradigme, nous proposons de nouvelles extensions des 'Prototypical Networks' (Snell et al., 2017) qui sont augmentés par la possibilité d'utiliser des exemples non-étiquetés lors de la production de prototypes. Nos expériences confirment que l'approche proposée peut apprendre à améliorer ses prédictions grâce aux exemples non-étiquetés, comme le ferait un algorithme d'apprentissage semi-supervisé.

Bio : Hugo Larochelle est chercheur et responsable de l'équipe Google Brain à Montréal. Il est également professeur adjoint à l'Université de Montréal et à l'Université de Sherbrooke, ainsi que directeur associé du programme 'Learning in Machines and Brains' de l'Institut Canadien de Recherches Avancées (ICRA).

Note : La présentation sera donnée en français (les diapositives seront en anglais). Le séminaire sera présenté au PLT-2700 à 10h30.