Laboratoire de Génie Informatique et d’Automatique de l’Artois

Seminar

Étalonnage évidentiel de classifieurs

The 9 October 2018 at 11:00 Seminars room of the LGI2A, FSA, Béthune
Sebastien RAMEL Ph.D. student LGI2A
The seminar is held in french.

Afin d’améliorer globalement les performances relatives à un problème de classification (prédire la classe d’une instance d’après ses attributs) une approche consiste à combiner les sorties d’un ensemble de classifieurs entraînés à la même tâche. Pour cela, une étape d’étalonnage des sorties individuelles est généralement requise pour permettre leur combinaison selon une règle appropriée. Une autre technique consiste à utiliser directement l’ensemble des sorties concaténées au sein d’un vecteur et à appliquer un étalonnage probabiliste joint sur celui-ci. Récemment ces techniques d’étalonnage (joint ou individuel) probabilistes ont été étendues au cadre des fonctions de croyance pour mieux gérer les sources d’incertitude liées à l’étalonnage, et plus particulièrement l’incertitude induite par la quantité de données (étiquetées) d’apprentissage. Cette incertitude justifiée mais indésirable peut être réduite par l’ajout de données d’apprentissage dont l’étiquetage est potentiellement coûteux. L’apprentissage actif permet d’optimiser ce coût, en sélectionnant les données d’un réservoir les plus informatives. Dans ce cadre, deux stratégies inspirées de l’échantillonnage par incertitude sont proposées afin d’identifier les données induisant une baisse d’incertitude supérieure à la sélection aléatoire. Ces stratégies sont appliquées à un ensemble de classifieurs SVM sur des jeux de données de classification binaire publiques. Les résultats obtenus en termes de fiabilité et de précision témoignent de l’intérêt de l’approche proposée. Dans la suite, nous considérerons un modèle d’étalonnage évidentiel joint, basé sur la régression Choquistic pour accroître la précision, puis pour atténuer l’incertitude due à la complexité du modèle nous considérerons l’utilisation de données d’apprentissage de moindre qualité, i.e., l’apprentissage partiellement supervisé.