Apprentissage automatique pour les problèmes à entrée/sortie de grandes dimensions ou structurées

Nous proposons un cadre de travail se basant sur un apprentissage multi-tâche pour répondre à la problématique des problèmes à entrée/sortie de grandes dimensions: deux tâches adjuvantes secondaires permettent de modéliser respectivement le domaine d'entrée et le domaine de sortie.
Une tâche principale réalise le mappage entre les deux domaines. Les tâches adjuvantes secondaires agissent comme une régularisation sur la tâche principale.

Au delà d'un cadre de travail générique, notre modèle permet de prendre en compte pour l'apprentissage des tâches adjuvantes des données sans annotations ou des annotations seules sans données.
C'est une propriété indispensable aux traitements des ensembles de
données pour lesquelles l'annotation coûte cher. Ceci est le cas typiquement en imagerie médicale: il est aisé de disposer de scanners bruts; cependant le détourage d'organes nécessite l'intervention manuelle d'un médecin, disposer de scanners annotés est beaucoup plus rare.