HyperAIHyperAI
il y a 13 jours

Apprentissage par ensemble à rythme auto-déterminé pour la classification de la parole et des audio

Nicolae-Catalin Ristea, Radu Tudor Ionescu
Apprentissage par ensemble à rythme auto-déterminé pour la classification de la parole et des audio
Résumé

La combinaison de plusieurs modèles d’apprentissage automatique en un ensemble est connue pour offrir des performances supérieures par rapport aux composants individuels qui le constituent. Cela s’explique par le fait que les modèles peuvent se compléter mutuellement afin de prendre des décisions plus efficaces. Au lieu de simplement combiner les modèles, nous proposons une méthode d’apprentissage par ensemble à rythme auto-contrôlé, dans laquelle les modèles s’apprennent mutuellement au fil de plusieurs itérations. Au cours du processus d’apprentissage auto-contrôlé basé sur le pseudo-étiquetage, outre l’amélioration des modèles individuels, notre ensemble acquiert également des connaissances sur le domaine cible. Pour démontrer la généralité de notre approche d’apprentissage par ensemble auto-contrôlé (SPEL), nous menons des expériences sur trois tâches audio. Nos résultats empiriques montrent que SPEL surpasse significativement les modèles d’ensemble de base. Nous montrons également que l’application de l’apprentissage auto-contrôlé aux modèles individuels est moins efficace, illustrant ainsi l’idée que les modèles au sein de l’ensemble apprennent réellement les uns des autres.

Apprentissage par ensemble à rythme auto-déterminé pour la classification de la parole et des audio | Articles de recherche récents | HyperAI