Ces modèles sont fréquemment employés pour des applications diverses, allant de la reconnaissance d’images aux diagnostics médicaux.
Une petite quantité d’exemples mal étiquetés peut altérer considérablement leur efficacité, car les SVM se basent sur des points de données critiques pour prendre des décisions.
Pour résoudre ce défi, une équipe de chercheurs de la Florida Atlantic University a développé une technique novatrice destinée à détecter et à supprimer automatiquement les étiquettes erronées avant le processus d’entraînement des modèles, ce qui contribue à améliorer la précision des résultats.
En utilisant une méthode mathématique, à savoir l’analyse des composants principaux de la norme L1, cette approche identifie les anomalies sans nécessiter d’intervention humaine.
Les évaluations réalisées sur différents ensembles de données ont révélé des augmentations notables de la précision de classification, même lorsque les données initialement paraissaient correctes.
Cette avancée représente un potentiel significatif pour l’IA, notamment dans des secteurs sensibles comme la santé ou la finance, où des erreurs peuvent avoir des implications majeures.
En portant une attention particulière à la qualité des données dès le départ, les chercheurs aspirent à rendre l’IA plus fiable et éthique.
Source: IA Tech news
