Une méthode de modélisation stochastique résistante au surapprentissage pour la reconnaissance de formes

Nous présenterons une approche générique pour résoudre les problèmes en reconnaissance de formes basée sur la synthèse de discriminateurs multiclasses précis à partir d'un grand nombre de modèles "faibles" très inexacts grâce à l'utilisation de processus stochastiques discrets. Contrairement à la croyance courante associée aux nombreuses techniques statistiques et heuristiques généralement liées au domaine, une caractéristique importante de cette méthode de "modélisation stochastique" est sa résistance au so-called "surapprentissage". La baisse de performance de tout modèle stochastique lors du passage des données d'entraînement aux données de test reste comparable à celle des modèles faibles composants à partir desquels il est synthétisé ; et puisque ces modèles composants sont très simples, leur baisse de performance est faible, ce qui aboutit à un modèle stochastique dont la perte de performance est également faible malgré son haut niveau de précision.