Skip to Main content Skip to Navigation
Theses

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.
Document type :
Theses
Complete list of metadatas

Cited literature [245 references]  Display  Hide  Download

https://tel.archives-ouvertes.fr/tel-01203438
Contributor : Rémi Lajugie <>
Submitted on : Wednesday, September 23, 2015 - 9:38:14 AM
Last modification on : Friday, May 25, 2018 - 12:02:06 PM
Document(s) archivé(s) le : Tuesday, December 29, 2015 - 9:29:41 AM

Licence


Distributed under a Creative Commons Attribution 4.0 International License

Identifiers

  • HAL Id : tel-01203438, version 1

Citation

Rémi Lajugie. Structured prediction for sequential data. Machine Learning [cs.LG]. Ecole Normale Supérieure, 2015. English. ⟨tel-01203438v1⟩

Share

Metrics

Record views

1031

Files downloads

751