en fr Structured prediction for sequential data Prédiction structurée pour lanalyse de données séquentielles Report as inadecuate




en fr Structured prediction for sequential data Prédiction structurée pour lanalyse de données séquentielles - Download this document for free, or read online. Document in PDF available to download.

1 DI-ENS - Département d-informatique de l-École normale supérieure 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

Abstract : In this manuscript, we consider structured machine learning problems and consider more precisely the ones involving sequential structure. In a first part, we consider the problem of similarity measure learning for two tasks where sequential structure is at stake: i the multivariate change-point detection and ii the time warping of pairs of time series. The methods generally used to solve these tasks rely on a similarity measure to compare timestamps. We propose to learn a similarity measure from fully labelled data, i.e., signals already segmented or pairs of signals for which the optimal time warping is known. Using standard structured prediction methods, we present algorithmically efficient ways for learning. We propose to use loss functions specifically designed for the tasks. We validate our approach on real-world data. In a second part, we focus on the problem of weak supervision, in which sequen tial data are not totally labeled. We conduct our study on the problem of aligning a time series to its symbolic representation, using as a leading example the problem of aligning an audio recording with the score. We consider the symbolic representation as two fold: i a complete information about the order of events or notes played and ii an approximate idea about the expected shape of the alignment. We propose to learn a classifier for each note using these two kinds of information. Our learning problem is based on the optimization of a convex function that takes advantage of the weak supervision and of the sequential structure of data. Our approach is validated through experiments on the task of audio-to-score on real musical data.

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.

en fr

Keywords : machine learning weak supervision structured prediction metric learning music to partition alignment time warping

Mots-clés : alignement musique sur partition apprentissage de métrique prédiction structurée apprentissage statistique faible supervision déformation temporelle





Author: Rémi Lajugie -

Source: https://hal.archives-ouvertes.fr/



DOWNLOAD PDF




Related documents