Chaînes de Markov cachées à bruit généralisé

Hugo Gangloff (1) , Katherine Morales (2, 3, 4) , Yohan Petetin (2, 3, 4)

1 OBELIX - Observation de l’environnement par imagerie complexe
2 TIPIC-SAMOVAR - Traitement de l'Information Pour Images et Communications
3 IP Paris - Institut Polytechnique de Paris
4 TSP - CITI - Communications, Images et Traitement de l'Information

Hidden Markov chains are popular models for unsupervised signal processing in a Bayesian context. We aim at complexifying the conditional likelihood term to automatically learn complex noises. We introduce a third auxiliary continuous process and we develop a variational inference approach which preserves the interpretability of the hidden process of interest. Our results in unsupervised classification experiments suggest that using a third continuous auxiliary random variable gives better results than the classical approaches from the literature.

Les chaînes de Markov cachées sont des modèles très populaires pour le traitement non-supervisé du signal dans un contexte bayésien. Nous nous intéressons à la complexification du terme d'attache aux données afin de pouvoir apprendre automatiquement des modèles de bruits très généraux. Pour cela, nous introduisons un processus auxiliaire continu et nous développons une approche d'inférence variationnelle efficace, préservant l'interprétabilité des variables cachées d'intérêt. Les résultats d'expériences de classification non-supervisée montrent que ces nouveaux modèles à variable auxiliaire continue donnent des meilleurs résultats que les modèles classiques de la littérature.

Domaines: Machine Learning [stat.ML]

Hugo Gangloff, Katherine Morales, Yohan Petetin. Chaînes de Markov cachées à bruit généralisé. 2022. ⟨hal-03698101⟩