---

Anil Goyal, Emilie Morvant, Pascal Germain, Massih-Reza Amini

---

Dans ce papier, nous étudions la problématique de l'apprentissage multi-vues dont l'objectif est de tirer avantage de différentes représentations des données. Dans ce contexte, de nombreuses méthodes d'apprentissage automatique existent. Cependant peu d'études théoriques ont été menées lorsque le nombre de vues est strictement supérieur à deux. Par le présent travail, nous proposons un des premiers travaux dans le cadre de l'analyse PAC-Bayésienne de l'apprentissage multivues lorsque les observations sont représentées par plus de deux vues. Nous concentrons notre étude aux cas où le modèle de classification binaire appris prend la forme d'un vote de majorité. Nous énonçons, puis démontrons, deux théorèmes généraux permettant de considérer différentes relations entre les risques réels et empiriques. En outre, nous les spécialisons à trois relations fréquemment utilisées dans les approches PAC-Bayésiennes classiques.