Aprendizaje discriminativo en el dominio tiempo-escala

TOMASSI, DIEGO; FORZANI, LILIANA; MILONE, DIEGO

Mendoza, Argentina

Workshop; Workshop de Inteligencia Artificial - Tercera Escuela de Posgrado de la Red ProTIC; 2008

Los modelos ocultos de Markov definidos en el dominio de las onditas proveen modelos estadísticos computacionalmente eficientes, especialmente adaptados a las distribuciones de los coeficientes de la transformación y a las dependencias entre los mismos. A diferencia de los modelos Markovianos convencionales que permiten capturar relaciones a lo largo del tiempo, estos modelos permiten describir estructuras de dependencia en el plano tiempo-escala. Esta descripción más completa de las representaciones en onditas permite aprovechar mejor las propiedades de la transformación en señales reales, lo que ha sido explotado con éxito en aplicaciones de estimación, detección, compresión y clasificación. No obstante, los métodos de entrenamiento usados hasta hoy para tales modelos sólo proveen estimadores de máxima verosimilitud. Es sabido que las técnicas de aprendizaje discriminativo representan una estrategia alternativa que provee mejores desempeños en tareas de clasificación. En este caso, en lugar de entrenar el modelo de cada clase en forma independiente de los demás, el entrenamiento utiliza simultáneamente información de todas las clases a fin de maximizar la discriminación entre ellas. Este tipo de aprendizaje también permite incorporar al error de clasificación directamente como criterio de optimización. Con modelos Markovianos tradicionales, este enfoque muestra mejores resultados que el de máxima verosimilitud, especialmente cuando los datos de entrenamiento son escasos o cuando las características distintivas de cada clase resultan difíciles de capturar por cada modelo considerado de forma aislada. Siguiendo la hipótesis de que el desempeño de los modelos ocultos de Markov en el dominio tiempo-escala puede mejorarse de forma similar, en esta presentación mostraremos avances en la formulación de ecuaciones para su entrenamiento usando funciones de costo con información discriminativa e incorporando los errores de clasificación directamente como criterio de aprendizaje.