>>

Séminaire MIDI : Faicel Chamroukhi

Titre du séminaire

"Apprentissage de modèles probabilistes à variable latente pour la représentation, la classification et le suivi de signaux. "

Date et lieu

mardi 17 mai à 14 h - ENSEA salle 318.

Résumé

L'approche discriminative de l'apprentissage statistique consiste à apprendre la loi conditionnelle p(y|x) de la variable d'intérêt y conditionnellement à la variable explicative x. Cette approche est principalement utilisée en contexte supervisé et les méthodes à noyaux en font partie. L'approche générative consiste quant à elle à apprendre directement la loi jointe p(x,y), le retour vers la loi conditionnelle p(y|x) s'effectue par la règle de Bayes. Parmi les approches génératives on distingue les modèles statistiques à variable latente, comme les mélanges de densités. A travers la formulation rigoureuse et flexible de ces modèles, l'approche générative est particulièrement adaptée au contexte non supervisé.

Dans ce séminaire, je présenterai de nouveaux modèles probabilistes à variable latente pour la représentation, la discrimination, le clustering et le suivi temporel de signaux. La première partie du séminaire concerne la modélisation et la segmentation, aussi bien d'un signal que d'un ensemble de signaux, par un modèle de régression dynamique incorporant un processus logistique latent. Ce modèle est à formulation dynamique de mélange de densités. Dans la seconde partie, je traiterai de la classification supervisée et du clustering de signaux. Le cas supervisé est traité via une analyse discriminante effectuée directement dans l'espace des signaux et qui se situe dans le cadre de l'analyse de données fonctionnelles. Le cas non supervisé s'appuie sur une formulation spécifique de mélange de densités. La dernière partie du séminaire concerne le suivi de séquence de données par un modèle autorégressif dynamique régi par un processus latent (logistique ou markovien non-homogène) et dont l'apprentissage s'effectue  hors-ligne et en-ligne via l'algorithme EM.

Les approches développées sont appliquées principalement ur un problème de diagnostic et de télésurveillance ferroviaires.

Retour