Come può l'IA imparare i segni di tutti?

Immagina un computer che impara a capire i segni delle mani senza conoscere chi li fa. Questo studio ci mostra un metodo nuovo che unisce due tecniche: le catene di Markov e un algoritmo genetico chiamato NGA. Le catene di Markov tengono traccia delle sequenze di movimenti, mentre l'algoritmo genetico ottimizza le probabilità di passaggio. L'algoritmo usa una tecnica chiamata Context-Based Clearing per mantenere molte soluzioni diverse e non fermarsi troppo presto. In questo modo il modello impara stili di firma vari e funziona meglio con utenti sconosciuti. I test mostrano errori più bassi e una maggiore precisione rispetto ai sistemi tradizionali. Questo studio apre la strada a dispositivi di assistenza più inclusivi. Apre anche una migliore comunicazione tra persone sorde e udenti.

Il framework proposto integra un modello a catene di Markov con un algoritmo genetico nicchiato (NGA) per ottenere il riconoscimento del linguaggio dei segni indipendente dal soggetto. Le catene di Markov modellano le transizioni tra le osservazioni dei segni, catturando la probabilità di passare da uno stato all'altro. L'NGA ottimizza sia i parametri strutturali della catena sia le probabilità di transizione, esplorando un ampio spazio di soluzioni. La tecnica di clearing basata sul contesto (CBC) mantiene la diversità della popolazione genetica, prevenendo la convergenza prematura e preservando molteplici strategie di ottimizzazione efficaci. Questo approccio riduce l'overfitting a uno specifico firmatario e migliora la generalizzazione. Sperimentalmente, il metodo ha dimostrato una riduzione significativa degli errori di classificazione e un miglioramento della precisione rispetto ai modelli Markoviani tradizionali e ad altri metodi di ottimizzazione evolutiva. I risultati suggeriscono che l'integrazione di NGA e CBC può notevolmente potenziare i sistemi di riconoscimento del linguaggio dei segni, rendendoli più robusti e adatti all'uso pratico in contesti reali e multifirmatari.