lipn

Laboratoire d'Informatique de Paris Nord

UMR 7030, Université Paris 13, 99 avenue Jean-Baptiste Clément, 93430 Villetaneuse

up13 cnrs

Apprentissage par modèles de mélanges à partir de données séquentielles

 

Dans le cadre d'un problème d'apprentissage non supervisé à partir de données séquentielles (non i.i.d.), nous avons étudié les modèles d'apprentissage qui consistent à découvrir un concept sous une forme géométrique et topologique. Nous avons proposé une approche d'apprentissage statistique, qui combine les points forts des cartes topologiques et des modèles de Markov cachés, pour construire des modèles de la dynamique d'un ensemble de séquences. Ces modèles généralisent les chaînes de Markov en introduisant une relation spatio-séquentielle entre les états cachés.

Résultat:

  • Définition des Modèles de Markov Cachés Topologiques Auto-organisés et d'un algorithme d'apprentissage correspondant [1, 2].

Références

      Rakia Jaziri, Mustapha Lebbah, Younès Bennani, and Jean-Hugues Chenot. « SOS-HMM: Self-Organizing Structure of Hidden Markov Model ». In

Proceedings of the 21st International Conference on Artificial Neural Networks (ICANN 2011)

      , Lecture Notes in Computer Science, pages 87-94. Springer, 2011.

      Rakia Jaziri, Mustapha Lebbah, Nicoleta Rogovschi, and Younès Bennani. « Probabilistic self-organizing maps for multivariate sequences ». In

Proceedings of the International Joint Conference on Neural Networks (IJCNN 2011)

    , pages 851-858, San Jose, California, USA, Aug 2011. IEEE.

pres

w3c-xhtml