Nourrir le "bruit" à l'IA peut aussi augmenter les scores, ce travail rend la migration positive du bruit possible
**Résumé en français :**
La méthode SSNA (Semi-Supervised Noise Adaptation) propose d’utiliser du bruit synthétique généré aléatoirement (par exemple, à partir d’une distribution gaussienne) comme « domaine source » pour améliorer l’apprentissage semi-supervisé. Plutôt que de transférer des sémantiques réelles, le cadre NAF (Noise Adaptation Framework) construit une **structure discriminante** dans l’espace de représentation en regroupant les bruits par « classes » artificielles, puis aligne cette structure avec les données cibles réelles à l’aide de quelques échantillons étiquetés.
Sur des jeux de données comme CIFAR-10 ou CIFAR-100, avec seulement 4 annotations par classe, NAF dépasse significativement l’apprentissage supervisé classique (gains allant jusqu’à +12,35 points). Les expériences montrent que l’efficacité dépend de la séparabilité des classes de bruit, et non de la quantité ou du contenu sémantique. Cette approche offre une alternative légère et respectueuse de la confidentialité lorsque les données source réelles sont indisponibles.
*Source : ICML 2026, article « Semi-Supervised Noise Adaptation: Transferring Knowledge from Noise Domain ».*
marsbit07/22 08:00
