1.1.3 Méthode RWT
Les deux approches précédentes correspondent aux deux grandes familles de méthodes usuellement mises en jeu pour résoudre un problème "mal posé" comme l'est l'apprentissage dans les conditions pratiques :
Nous explorons, en marge de ces deux méthodes classiques, une solution originale basée sur des algorithmes stochastiques qui est caractérisée par (i) son caractère distribué, (ii) ses propriétés régularisantes, (iii) la convergence certaine de l'optimisation. Ces algorithmes intitulés "Random Walk Trapping" fédèrent des techniques d'inversion de modèles et de Chaînes de Markov. La méthode n'est pas complètement explorée d'un point de vue théorique, mais son champ d'application couvre a priori toutes les familles de modèles. Elle est particulièrement efficace dans les situations difficiles où on dispose de peu de données et où ces données sont de grandes dimensions, par exemple en spectrométrie- ou en traitement du signal.
Ce modèle a été employé avec succès pour plusieurs problèmes dont les résultats ont été publiés dans [VIG96aC] , [VIG97aC] , [VIG98R].