Conception des modèles d'observation audio temps réel à l ... - atiam

44 Discussion et directions futuresD’autre part, la réponse majeure au problème de la sélection de descripteursréside dans la manière dont l’espace de recherche est parcouru. L’initialisationdes algorithmes de recherche peut accélérer la sélection (dans le casdes recherches pas à pas), ou bien guider dès le début une recherche génétiquedans des optima locaux lors de l’initialisation de la population. QuandE i ⊂ E j , le fait d’utiliser les données issus d’une sélection effectuée dans E i pourinitialiser l’algorithme de recherche avant le parcours de l’espace de recherche lié à E jest probablement intéressant du point de vue de la performance de sélection(i.e. de sa capacité à trouver un sous-ensemble de descripteurs optimal selonun critère, l’erreur de classification dans notre cas).Améliorer les performances avec d’autres algorithmes de rechercheDans le but d’obtenir plusieurs sous-ensembles de descripteurs associés àune performance pseudo-optimale pour un coût de calcul maximum donné,la deuxième approche que nous avons expérimenté est générique du point devue de l’algorithme de sélection à utiliser. Nous avons obtenus les meilleursrésultats avec la combinaison de l’évaluateur de sous-ensembles de descripteurswrapper et d’une recherche naïve de type hill climbing, mais il est probableque des sous-ensembles de descripteurs aboutissant à une meilleureperformance du système puissent être trouvés au sein des groupes associés àla taxonomie de recherche.La combinaison de l’évaluateur wrapper avec une recherche génétique, parexemple, semble tout-à-fait indiquée mais est d’une part difficile à paramétrer,et d’autre part problématique étant donné que notre modèle effectue plusieurssélections. Contrairement à la recherche génétique, l’algorithme racesearch [21] a l’avantage (non négligeable pour le problème de l’optimalité parrapport à un coût de calcul) de fournir un ordre sur les descripteurs. De plus,il semble ne pas avoir certains des défauts de la recherche naïve de type hillclimbing, notamment une certaine tendance intrinsèque à se perdre dans desminima locaux.5.5 Sélection de descripteurs et sur-apprentissageLes algorithmes de sélection de descripteurs supervisés sont exposés ausur-apprentissage. Cette exposition est d’autant plus forte que le nombred’exemples correctement étiquetés est faible, ce qui est fréquemment le casdans le cadre d’utilisation du système de suivi de partition. Ceci s’expliquepar le temps que requiert l’annotation manuelle ainsi que par la nécessité dedisposer d’enregistrements des pistes correspondant aux voix non synthétiques,effectués lors de répétitions ou de concerts précédents.Nous envisageons les directions de recherche suivantes (qui sont complémentaireset pas concurrentes) dans le but de maîtriser le sur-apprentissagedans le modèle d’observation :