L'algorithme de Partitionnement de Markov pour le Système Supervisé de Vérification du Locuteur

Auteurs

Fanny Riols

Type

techreport

Année

2014

Numéro

1408

Résumé

La représentation des i-vectors dans le cadre de la locution représente l'état de l'art dans le domaine de la vérification du locuteur. Grâce à des méthodes d'apprentissage supervisé (la Distance Cosinus avec l'Analyse Discriminante Linéaire et la méthode de Covariance intra-classe), des progrès significatifs ont été réalisés dans ce domaine. Cependant, de récentes recherches proposent d'utiliser une base de données non étiquetées d'i-vectors, afin d'augmenter la taille de l'ensemble des données d'entraînement et de réduire le coût de constitution de cette base. C'est pourquoi nous basons notre étude sur l'espace des i-vectors, et travaillons ainsi avec des méthodes d'apprentissage non supervisé. Dans cette étude, nous utilisons une méthode de partitionnement, le processus de Markov Clustering (MCL), afin de regrouper de façon naturelle les i-vectors qui représentent un même locuteur dans un ensemble d'entités. L'algorithme MCL est un algorithme de partitionnement non supervisé rapide et extensible, basé sur la simulation de flux stochastiques dans les graphes. Le résultat du partitionnement est utilisé dans le système supervisé standard de vérification du locuteur pour évaluer les performances. Nous allons aussi comparer celle-ci avec d'autres méthodes de regroupement comme l'Infomap, le Self-Organizing Map et Newman-Girvan.