Apprentissage métrique pour l'alignement temporel des séquences.

Résumé Dans cet article, nous proposons d'apprendre une distance de Mahalanobis pour effectuer l'alignement de séries temporelles multivariées. Les exemples d'apprentissage pour cette tâche sont des séries temporelles pour lesquelles le véritable alignement est connu. Nous présentons le problème d'alignement comme une tâche de prédiction structurée et proposons des pertes réalistes entre les alignements pour lesquels l'optimisation est réalisable. Nous fournissons des expériences sur des données réelles dans le contexte audio à audio, où nous montrons que l'apprentissage d'une mesure de similarité conduit à des améliorations de la performance de la tâche d'alignement. Nous proposons également d'utiliser ce cadre d'apprentissage métrique pour effectuer une sélection de caractéristiques et, à partir de caractéristiques audio de base, construire une combinaison de celles-ci avec de meilleures performances pour l'alignement.