Résumé

Les interfaces homme-machine tactiles permettent de nouveaux modes d’interaction comme l’utilisation de commandes gestuelles. Afin de mémoriser facilement plus d’une dou- zaine de commandes, il est important de pouvoir les personnaliser. Le classifieur utilisé pour reconnaitre les symboles dessinés doit donc être personnalisable, pouvoir s’initialiser à partir de très peu de données, et évolutif, pouvoir s’améliorer pendant son utilisation. Ces travaux étudient l’importance et les différentes stratégies d’étiquetage du flux de données d’utilisation pour l’apprentissage en-ligne du classifieur. Nous comparons sept stratégies de supervision, dépendants des interactions utilisateur (sollicitation par le système) et des capacités d’auto- évaluation du classifieur (notion de rejet). Nous montrons dans cet article que la stratégie don- nant les meilleurs résultats est d’apprendre à partir des données validées implicitement par l’utilisateur, et de celles soumises à validation explicite car rejetées par le classifieur.

Abstract

Touch sensitive interface enable new interaction methods like using gesture com- mands. To easily memorize more than a dozen of gesture commands, it is important to be able to customize them. The classifier used to recognize drawn symbols must hence be customiz- able, able to learn from very few data samples, and evolving, able to learn and improve during its use. This work studies several methods of labeling run-time data for the classifier on-line training. We compare seven supervision strategies, depending on user interactions, and sys- tem self-evaluation capacities (notion of reject). We show in this paper that the strategy giving the best results is to learn from data implicitly validated by the user, and from data explicitly validated because rejected by the classifier.