Entraînement à grande marge pour les modèles de Markov cachés avec des états partiellement observés

L'apprentissage à grande marge des HMM à densité continue avec un ensemble de données partiellement étiqueté a été largement étudié dans les domaines de la reconnaissance vocale et de l'écriture manuscrite. Cependant, en raison de la non-convexité du problème d'optimisation, les travaux précédents reposent généralement sur de sévères approximations, de sorte que cela reste un problème ouvert. Nous proposons un nouvel algorithme d'apprentissage qui repose sur l'optimisation non convexe et les méthodes de regroupement et permet de s'attaquer au problème d'optimisation original tel quel. Il est prouvé qu'il converge vers une solution avec une précision ε avec un taux O(1/ε). Nous fournissons des résultats expérimentaux obtenus en reconnaissance vocale et en écriture manuscrite qui démontrent le potentiel de la méthode.