ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Autres revues >>

Traitement Automatique des Langues

1248-9433
Changement d'éditeur au 1er janvier 2007
 

 ARTICLE VOL 45/3 - 2004  - pp.171-197
TITRE
Regroupement de modèles de locuteurs par méthode bayesienne variationnelle. Applications à l'indexation audio

RÉSUMÉ
Dans cet article, on étudie l'utilisation des méthodes variationnelles bayesiennes pour le regroupement de locuteurs. Les méthodes variationnelles bayesiennes (aussi connues sous le nom d'apprentissage d'ensemble) sont des méthodes approximées qui offrent un cadre totalement bayesien pour l'apprentissage des modèles. Des techniques classiques telles que le Maximum a posteriori (MAP) ou la Vraisemblance maximale (ML) peuvent être considérées comme cas particuliers des méthodes variationnelles bayesiennes (VB). En outre VB permet l'apprentissage simultané des paramètres et la sélection des modèles. Des expériences sur une tâche de regroupement de locuteurs pour les Nouvelles Radiodiffusées (Broadcast News) montrent que l'apprentissage variationnel bayesien surclasse les méthodes classiques dans cette application.


ABSTRACT
This paper aims at investigating the use of Variational Bayesian methods for speaker clustering purposes. Variational Bayesian methods (a.k.a. Ensemble learning) are approximated methods that allow a fully Bayesian framework for model learning. Classical techniques like Maximum a Posteriori (MAP) or Maximum Likelihood (ML) can be seen as special cases of VB methods. Furthermore VB allows parameter learning and model selection at the same time. Experiments on a speaker clustering task for Broadcast News show that Variational Bayesian Learning outperforms classical methods for this task.


AUTEUR(S)
Fabio VALENTE, Christian WELLEKENS

MOTS-CLÉS
variationnel, bayesien, apprentissage d'ensemble, sélection de modèles, regroupement, estimation/maximisation (EM).

KEYWORDS
variational, bayesian, ensemble learning, model selection, clustering, estimationmaximization.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 34.95 €
• Non abonné : 34.95 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (205 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
made by WAW Lavoisier