Nous présentons un cadre général pour la classification supervisée basé sur la notion de moindre généralisé (généralisation minimale d'un ensemble d'exemples). Nous montrons que le fait de définir cette opération dans l'espace d'hypothèses choisi met à notre disposition, sans effort supplémentaire, plusieurs algorithmes d'apprentissage supervisé à plusieurs classes, en particulier des méthodes d'ensemble (de boosting par exemple). Après avoir décrit cette architecture générique, nous expliquons son utilisation pour l'inférence grammaticale : le calcul du moindre généralisé y est un apprentissage à partir d'exemples positifs seuls comme ceux effectués par les algorithmes TSSI et ZR. Des classifications efficaces de séquences sont alors possibles par vote de plusieurs automates élémentaires. Des expérimentations valident notre approche et nous discutons des intérêts et implications de ces idées.