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

Asma TRABELSI

Doctorant
Membre des axes :
Contact :
2016
Conférence Internationale avec Comité de Lecture
Asma TRABELSI -- Zied ELOUEDI -- Eric LEFEVRE
Feature Selection From Partially Uncertain Data Within the Belief Function Framework
16th International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems, IPMU 2016, pp 643-655, Vol. 2, Springer, CCIS, juillet 2016
2015
Conférence Internationale avec Comité de Lecture
Asma TRABELSI -- Zied ELOUEDI -- Eric LEFEVRE
Belief function combination : comparative study within the classifier fusion framework
1st International Conference on Advanced Intelligent Systems and Informatics, AISI 2015, pp 425-435, novembre 2015
2015
Conférence Internationale avec Comité de Lecture
Asma TRABELSI -- Zied ELOUEDI -- Eric LEFEVRE
Classifier fusion within the belief function framework using dependent combination rules
22nd International Symposium on Methodologies for Intelligent Systems, ISMIS 2015, pp 133-138, octobre 2015

Sujet de thèse : "Combinaison de classifieurs dans le cadre de la théorie des fonctions de croyance"

2016

La combinaison de classifieurs, qui permet de résoudre des problèmes de classification complexes, est un sujet important dans les domaines de la reconnaissance des formes et de l’apprentissage automatique depuis les années 90. Des études théoriques et expérimentales ont permis de démontrer que la combinaison de classifieurs précis et divers permettait d’obtenir de meilleurs performances que celles obtenues avec un classifieur unique.

La construction d’un système de combinaison de classifieurs repose sur 2 phases. L’objectif de la première phase est de constituer l’ensemble de classifieurs et de faire leur apprentissage. La seconde phase consiste à choisir la stratégie de fusion des classifieurs constituant l’ensemble.

Actuellement, la construction d’un ensemble de classifieurs optimal, vis-à-vis d’un problème de classification donné, reste un sujet ouvert. Par ailleurs, la plupart des données issues d’applications réelles sont entachées de bruit, d’imprécision, d’incomplétude, ... Pour cette raison, il est important que les techniques employées, dans les deux niveaux de la construction d’un système de combinaison de classifieurs, prennent en compte ces paramètres. La théorie des fonctions de croyance est un cadre général qui permet de prendre en compte de façon assez naturels les différentes imperfections des données.

La première contribution de cette thèse portera sur la construction d’un ensemble de classifieurs dans le cas où l’incertitude sur les données est représentée sous la forme de fonctions de croyance. Le second point concernera la construction de l’étape de fusion.