Apprentissage multi-tâches en présence de données limitées

L'apprentissage multi-tâches permet d'estimer efficacement des paramètres malgré un nombre très restreint de données par tâche, en apprenant l'ensemble des tâches collectivement. Ce problème a récemment connu un regain en raison de son application à de nombreux problèmes de few shot learning en imagerie ou en apprentissage par renforcement. Dans cette présentation, je m'intéresserai à ce problème lorsque les différentes tâches partagent une représentation linéaire commune. Je discuterai notamment des garanties connues pour la factorisation de Burer-Monteiro, ainsi que notre récent résultat utilisant la régularisation par la norme nucléaire.