![](\"https:\/\/oaidalleapiprodscus.blob.core.windows.net\/private\/org-PXteLUy4B6mslwRon6h7ri9z\/user-0jfma6aPNvZyLXZUbw4CmvZG\/img-kpGsJ2Y10cOn1slRtt4fdr5Z.png?st=2024-06-05T10%3A10%3A43Z&se=2024-06-05T12%3A10%3A43Z&sp=r&sv=2023-11-03&sr=b&rscd=inline&rsct=image\/png&skoid=6aaadede-4fb3-4698-a8f6-684d7786b067&sktid=a48cca56-e6da-484e-a814-9c849652bcb3&skt=2024-06-04T11%3A42%3A52Z&ske=2024-06-05T11%3A42%3A52Z&sks=b&skv=2023-11-03&sig=hFPzN8GrPG\/obpCNHaU53RA%2BwaJZ8bT2aL1KIEQz14g%3D\")
<\/p>\n<\/p>\n
L’apprentissage sans \u00e9chantillon (zero-shot learning) est une technique avanc\u00e9e de machine learning permettant aux mod\u00e8les de pr\u00e9dire des t\u00e2ches sans formation explicite pr\u00e9alable. Cette m\u00e9thode r\u00e9volutionnaire \u00e9vite la collecte intensive de donn\u00e9es, en s’appuyant sur des mod\u00e8les pr\u00e9-entra\u00een\u00e9s capables de g\u00e9n\u00e9raliser diverses t\u00e2ches. Cependant, ces mod\u00e8les peuvent \u00eatre biais\u00e9s par des corr\u00e9lations non voulues dans les ensembles de donn\u00e9es. Par exemple, un mod\u00e8le entra\u00een\u00e9 sur des images d’oiseaux aquatiques pourrait associer toutes les images d’eau \u00e0 des oiseaux aquatiques.<\/p>\n
Des chercheurs de l’Universit\u00e9 du Wisconsin-Madison ont d\u00e9velopp\u00e9 ROBOSHOT, une m\u00e9thode novatrice pour renforcer les mod\u00e8les sans \u00e9chantillon sans donn\u00e9es annot\u00e9es ni formation. Ce syst\u00e8me exploite les mod\u00e8les de langage pour identifier et att\u00e9nuer les biais dans les repr\u00e9sentations du mod\u00e8le. A travers des op\u00e9rations vectorielles simples, ROBOSHOT ajuste les repr\u00e9sentations pour minimiser les corr\u00e9lations nuisibles et renforcer les caract\u00e9ristiques pertinentes.<\/p>\n
Des \u00e9valuations empiriques ont d\u00e9montr\u00e9 que ROBOSHOT am\u00e9liore l’exactitude des groupes les plus d\u00e9favoris\u00e9s de 15.98 % en moyenne, tout en maintenant ou am\u00e9liorant l\u00e9g\u00e8rement l’exactitude globale. Sur des jeux de donn\u00e9es tels que Waterbirds, CelebA, PACS, VLCS et CXR14, cette m\u00e9thode a prouv\u00e9 son efficacit\u00e9 et sa robustesse, soulignant son potentiel \u00e0 am\u00e9liorer la fiabilit\u00e9 des mod\u00e8les sans \u00e9chantillon sans besoin de donn\u00e9es ou de formation suppl\u00e9mentaires. En essence, ROBOSHOT propose une solution pratique et efficace pour att\u00e9nuer les biais et renforcer l’applicabilit\u00e9 des mod\u00e8les zero-shot, en pr\u00e9servant leur avantage principal.<\/p>\n","protected":false},"excerpt":{"rendered":"
L’apprentissage sans \u00e9chantillon (zero-shot learning) est une technique avanc\u00e9e de machine learning permettant aux mod\u00e8les de pr\u00e9dire des t\u00e2ches sans formation explicite pr\u00e9alable. Cette m\u00e9thode r\u00e9volutionnaire \u00e9vite la collecte intensive de donn\u00e9es, en s’appuyant sur des mod\u00e8les pr\u00e9-entra\u00een\u00e9s capables de g\u00e9n\u00e9raliser diverses t\u00e2ches. Cependant, ces mod\u00e8les peuvent \u00eatre biais\u00e9s par des corr\u00e9lations non voulues dans […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-149","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"yoast_head":"\n