Apprentissage auto-orienté hyperbolique pour des représentations d’actions basées sur les squelettes en apprentissage auto-supervisé

L'apprentissage autonome s'est révélé bénéfique pour des tâches où une connaissance initiale est disponible, telles que l'apprentissage faiblement supervisé et l'adaptation de domaine, permettant de sélectionner et d'ordonner la séquence d'apprentissage des échantillons, du plus simple au plus complexe. Toutefois, son application reste peu explorée dans le cadre de l'apprentissage non supervisé, où la compréhension de la tâche évolue progressivement durant l'entraînement. Nous proposons un nouveau modèle HYperbolic Self-Paced (HYSP) pour l'apprentissage de représentations d'actions basées sur les squelettes. HYSP repose sur une approche d'auto-supervision : il génère deux versions d'un même échantillon grâce à des augmentations de données, puis apprend en faisant correspondre une version (appelée « en ligne ») à l'autre (la cible). Nous proposons d'utiliser l'incertitude hyperbolique pour déterminer le rythme d'apprentissage algorithmique, sous l'hypothèse que les échantillons moins incertains devraient exercer une influence plus forte sur l'entraînement, avec un poids et un rythme plus élevés. L'incertitude hyperbolique est une conséquence naturelle des réseaux neuronaux hyperboliques adoptés ; elle se développe au cours de l'entraînement et ne nécessite aucun coût supplémentaire par rapport aux cadres établis d'apprentissage semi-supervisé euclidiens. Lorsqu'il est évalué sur trois jeux de données standardisés pour la reconnaissance d'actions à partir de squelettes, HYSP dépasse l'état de l'art sur PKU-MMD I, ainsi que sur deux des trois tâches descendantes sur NTU-60 et NTU-120. En outre, HYSP n'utilise que des paires positives, évitant ainsi les procédures complexes et coûteuses en ressources nécessaires à l'extraction des négatifs dans les méthodes contrastives. Le code est disponible à l'adresse suivante : https://github.com/paolomandica/HYSP.