Structured prediction for sequential data. (Prédiction structurée pour l'analyse de données séquentielles)

Dans cette these nous nous interessons a des problemes d’apprentissage automatique dans le cadre de sorties structurees avec une structure sequentielle. D’une part, nous considerons le probleme de l’apprentissage de mesure de similarite pour deux tâches : (i) la detection de rupture dans des signaux multivaries et (ii) le probleme de deformation temporelle entre paires de signaux. Les methodes generalement utilisees pour resoudre ces deux problemes dependent fortement d’une mesure de similarite. Nous apprenons une mesure de similarite a partir de donnees totalement etiquetees. Nous presentons des algorithmes usuels de prediction structure, efficaces pour effectuer l’apprentissage. Nous validons notre approche sur des donnees reelles venant de divers domaines. D’autre part, nous nous interessons au probleme de la faible supervision pour la tâche d’alignement d’un enregistrement audio sur la partition jouee. Nous considerons la partition comme une representation symbolique donnant (i) une information complete sur l’ordre des symboles et (ii) une information approximative sur la forme de l’alignement attendu. Nous apprenons un classifieur pour chaque symbole avec ces informations. Nous developpons une methode d’apprentissage fondee sur l’optimisation d’une fonction convexe. Nous demontrons la validite de l’approche sur des donnees musicales.