Contraintes de Markov

Tous les projetsNouvelles recherches · 2026

Piloter la génération de séquences par des contraintes tout en échantillonnant le modèle conditionné.

Échantillonnage exact · Modèles d’ordre variable

Un réseau de chemins avec une séquence admissible mise en évidence : A B A C B C.

Exemple conceptuel : commencer par A, finir par C et interdire AA. Le modèle probabiliste pondère les séquences admissibles.

Articles et exemples

Code et espace d’expérimentation

Essayez les démos interactives pour voir comment les contraintes explicites façonnent les séquences produites par un modèle de Markov d’ordre variable.

Comment fonctionnent les contraintes de Markov

Les notes, la métrique et les fragments repris peuvent être spécifiés sous forme de contraintes. Une mélodie peut devoir finir sur une note choisie, respecter une métrique ou éviter de reproduire une phrase du corpus d’apprentissage. Le modèle de Markov attribue les probabilités selon le style appris ; les contraintes déterminent les séquences admissibles, y compris lorsque les exigences relient des positions éloignées.

Les premiers travaux formulent la génération de longueur finie comme un problème de satisfaction de contraintes. Ils combinent les exigences de l’utilisateur avec un modèle probabiliste du style pour trouver la séquence admissible la plus probable. Le projet Flow Machines a exploré des méthodes efficaces pour certains types de contraintes.

L’article NeurIPS 2026 sur l’échantillonnage exact sous contraintes régulières (prépublication arXiv) étend l’échantillonnage conditionnel exact aux modèles de Markov d’ordre variable. L’implémentation Python prend en charge, entre autres, les positions fixées et les motifs interdits.

Axes de recherche

Contraintes de Markov générales : L’idée de base consiste à reformuler les processus de Markov comme des problèmes de satisfaction de contraintes. Elle permet de calculer des séquences optimales pour des contraintes de contrôle arbitraires, sans borne de complexité connue dans le cas général. Les applications présentées concernent les séquences d’accords et la génération de mélodies.

Contraintes unaires : Les contraintes unaires se traitent très efficacement par un algorithme glouton. Une ancienne applet Java le démontrait sur un problème d’improvisation jazz inspiré de John McLaughlin. Voir aussi les projets MIROR et Virtuoso.

Génération de texte : Les contraintes unaires permettent de générer des textes dans des styles précis en respectant des contraintes de syntaxe, de rime et de prosodie. Nous réécrivons notamment les paroles de Yesterday des Beatles dans le style de Bob Dylan et de nombreux autres auteurs.

Métrique et cardinalité : Ce résultat montre comment traiter métrique et cardinalité avec une complexité pseudo-polynomiale, ouvrant la voie à de véritables applications de composition.

MaxOrder et plagiat : Ce résultat montre comment imposer une contrainte MaxOrder aux séquences générées. MaxOrder permet un contrôle précis du plagiat, hors de portée des approches traditionnelles.

Séquences de bruit en 1/f : La contrainte Voss peut donner à une séquence symbolique un spectre approximativement en 1/f, tout en autorisant d’autres exigences, notamment des contraintes de Markov. L’article sur la contrainte Voss · PDF (IJCAI 2015).

Échantillonnage de contraintes de Markov régulières : Ce résultat montre comment échantillonner exactement des séquences de Markov sous contraintes régulières. Chaque séquence admissible est tirée proportionnellement à sa probabilité dans le modèle. Article CP 2015 ·  (PDF)

Markov Constraints: Steerable Generation of Markov Sequences · Finite-Length Markov Processes with Constraints (PDF)

Articles associés