Apprentissage et noyaux pour la représentation et la décision en traitement du signal – KERNSIG

Le projet KERNSIG vise à développer des outils génériques permettant, dans un cadre non paramétrique, d'utiliser des exemples pour construire un système de reconnaissance des formes en l'absence de modèles dans des signaux multimodaux (de nature différentes) et non stationnaires (adaptatif). - La théorie statistique de l'apprentissage à pour objet de développement de tels outils. L'introduction des méthodes à noyaux a permis de poser les problèmes d'apprentissage dans un cadre fécond qui a amené le développement de méthodes efficaces comme les séparateurs à vaste marges (SVM) où machines à vecteurs support. L'utilisation des méthodes à noyaux a permis le développement d'approches non paramétriques à vocation universelles et parcimonieuses. Mais la plupart des algorithmes d'apprentissage ont été développées dans un cadre i.i.d. (indépendant et identiquement distribué). - - Or un signal, d'une manière générale, est une suite de données structurées temporellement et/ou spatialement. L'étude des signaux vise à comparer et à classer ces suites et d'une manière plus générale à analyser les relations entre la structure d'une suite et un phénomène observé. L'application des méthodes à noyaux au traitement du signal nécessite la prise en compte des dépendances temporelles et de l'évolution des phénomènes. - - Le défi de notre projet est de proposer des méthodes d'apprentissage à noyaux adaptées aux signaux sans modèles (cadre non i.i.d.) et suffisamment robustes pour être intégrées dans des applications réelles. L'exemple du traitement des signaux issus d'électroencéphalogramme ( brain computer interface) permet d'illustrer les différents sous problèmes associées à l'utilisation des méthodes d'apprentissage dans un cadre non i.i.d. : comment représenter les données pour la discrimination, comment gérer la multimodalité, comment construire une règle de décision, comment adapter la règle de décision lorsqu'on à appris sur un sujet et que l'on teste sur un autre : comment effectuer la discrimination dans un cadre non stationnaire, comment garantir les performances du système de reconnaissance malgré les évolutions du système, pratiquement : comment traiter la grande masse des données disponibles. - Pour traiter ces différents problèmes KERNSIG associe des spécialistes du traitement du signal et de la théorie statistique de l'apprentissage ayant déjà une expérience commune significative. KERNSIG est structuré autour de 6 actions de recherches. Les cinq premières concernent la représentation des signaux (temps fréquence, temps échelle) à l'aide de noyaux pour, par exemple, le traitement des invariances; les signaux multimodaux, les non stationnarités, la détection de nouveauté et les modèles d'états (avec par exemples les champs aléatoires conditionnels. - - La stratégie scientifique déployée pour atteindre ces objectifs consiste à utiliser des problèmes concrets dans lesquels le groupe a une expérience reconnue comme des démonstrateurs sur lesquels les solutions proposées devront être validées. Ces exemples comprennent des signaux musicaux et des signaux physiologiques comme les magnétoencéphalogrammes ou des électroencéphalogrammes comme ceux utilisés pour des interfaces personne/machines. - - Parmi les résultats attendus du projets, on trouve une boite à outils logicielle comprenant tous les programmes développés et les démonstrateurs en rapport avec le projet. On trouve aussi un site WEB donnant libre accès à toutes ces informations. - - KERNSIG est aussi relié au réseau d'excellence PASCAL avec lequel des workshop commun sont envisagés. D'autre activités d'animation de la communauté sont proposées comme l'organisation d'une école d'été thématique, faisant suite à celle de BERDER déjà organisée par un membre du groupe projet.