Structured prediction for sequential data

Rémi Lajugie 1, 2
2 SIERRA - Statistical Machine Learning and Parsimony
DI-ENS - Département d'informatique de l'École normale supérieure, ENS Paris - École normale supérieure - Paris, Inria Paris-Rocquencourt, CNRS - Centre National de la Recherche Scientifique : UMR8548
Résumé : Dans cette thèse nous nous intéressons à des problèmes d’apprentissage automatique dans le cadre de sorties structurées avec une structure séquentielle. D’une part, nous considérons le problème de l’apprentissage de mesure de similarité pour deux tâches : (i) la détection de rupture dans des signaux multivariés et (ii) le problème de déformation temporelle entre paires de signaux. Les méthodes généralement utilisées pour résoudre ces deux problèmes dépendent fortement d’une mesure de similarité. Nous apprenons une mesure de similarité à partir de données totalement étiquetées. Nous présentons des algorithmes usuels de prédiction structuré, efficaces pour effectuer l’apprentissage. Nous validons notre approche sur des données réelles venant de divers domaines. D’autre part, nous nous intéressons au problème de la faible supervision pour la tâche d’alignement d’un enregistrement audio sur la partition jouée. Nous considérons la partition comme une représentation symbolique donnant (i) une information complète sur l’ordre des symboles et (ii) une information approximative sur la forme de l’alignement attendu. Nous apprenons un classifieur pour chaque symbole avec ces informations. Nous développons une méthode d’apprentissage fondée sur l’optimisation d’une fonction convexe. Nous démontrons la validité de l’approche sur des données musicales.
Type de document :
Thèse
Machine Learning [cs.LG]. Ecole normale supérieure - ENS PARIS, 2015. English. 〈NNT : 2015ENSU0024〉
Liste complète des métadonnées

Littérature citée [238 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-01203438
Contributeur : Abes Star <>
Soumis le : mardi 17 avril 2018 - 10:31:20
Dernière modification le : vendredi 25 mai 2018 - 12:02:06

Fichier

Lajugie-2015-These.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01203438, version 2

Collections

Citation

Rémi Lajugie. Structured prediction for sequential data. Machine Learning [cs.LG]. Ecole normale supérieure - ENS PARIS, 2015. English. 〈NNT : 2015ENSU0024〉. 〈tel-01203438v2〉

Partager

Métriques

Consultations de la notice

250

Téléchargements de fichiers

127