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 proposons d’apprendre une mesure de similarité à partir de données totalement étiquettées, c’est à dire des signaux segmentés ou des paires de signaux pour lesquels la déformation optimale est connue. 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’une séquence sur sa représentation symbolique, dans le cadre de l'alignement d’un enregistrement musical sur une partition. Nous considérons la représentation symbolique comme 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 note 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, 2015. English
Liste complète des métadonnées


https://tel.archives-ouvertes.fr/tel-01203438
Contributeur : Rémi Lajugie <>
Soumis le : mercredi 23 septembre 2015 - 09:38:14
Dernière modification le : jeudi 29 septembre 2016 - 01:22:37
Document(s) archivé(s) le : mardi 29 décembre 2015 - 09:29:41

Fichier

Licence


Distributed under a Creative Commons Paternité 4.0 International License

Identifiants

  • HAL Id : tel-01203438, version 1

Collections

Citation

Rémi Lajugie. Structured prediction for sequential data. Machine Learning [cs.LG]. Ecole Normale Supérieure, 2015. English. <tel-01203438>

Partager

Métriques

Consultations de
la notice

825

Téléchargements du document

640