Apprentissage de contraintes sur des mod`eles structur'es – LearnCost

Prédiction de sorties structurées basées sur des modèles graphiques probabilistes discriminative formés est un cadre puissant qui a conduit à une grande amélioration des systèmes de prévision dans la dernière décennie. Ces modèles, cependant, nécessitent souvent une forte contraintes a priori de garantir des procédures d'inférence dociles. Ces contraintes peuvent limiter la puissance du modèle de fournir de bonnes prédictions, et peuvent donc être considérés comme un mal nécessaire.

Ce projet permettra de développer des outils d'apprentissage statistique pour la prédiction de sorties structurées qui intègrent les contraintes de modèle pour assurer une faible ordre de complexité polynomiale de la procédure d'inférence. En outre, ces contraintes seront tirés de formation données à maximiser l'expressivité de la classe du modèle tout en appliquant probabiliste inférence efficace d'une manière qui est adaptée à l'instance de problème spécifique.