Champs de Markov conditionnels pour le traitement de séquences

Trinh Minh Tri Do 1 Thierry Artières 1
1 MALIRE - Machine Learning and Information Retrieval
LIP6 - Laboratoire d'Informatique de Paris 6
Résumé : Les modèles conditionnels du type modèles de Markov d’entropie maximale et champs de Markov conditionnels apportent des réponses aux lacunes des modèles de Markov cachés traditionnellement employés pour la classification et la segmentation de séquences. Ces modèles conditionnels ont été essentiellement utilisés jusqu’à présent dans des tâches d’extraction d’information ou d’étiquetage morphosyntaxique. Cette contribution explore l’emploi de ces modèles pour des données de nature différente, de type « signal », telles que la parole ou l’écriture en ligne. Nous proposons des architectures de modèles adaptées à ces tâches pour lesquelles nous avons dérivé les algorithmes d’inférence et d’apprentissage correspondant. Nous fournissons des résultats expérimentaux pour deux tâches de classification et d’étiquetage de séquences.
Document type :
Conference papers
Complete list of metadatas

https://hal.archives-ouvertes.fr/hal-01351988
Contributor : Lip6 Publications <>
Submitted on : Friday, August 5, 2016 - 10:37:33 AM
Last modification on : Thursday, September 19, 2019 - 2:20:04 PM

Identifiers

  • HAL Id : hal-01351988, version 1

Citation

Trinh Minh Tri Do, Thierry Artières. Champs de Markov conditionnels pour le traitement de séquences. Extraction et Gestion de Connaissances (EGC'06), Jan 2006, Lille, France. pp.639-650. ⟨hal-01351988⟩

Share

Metrics

Record views

86