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

Asma TRABELSI

Doctorant
Travaille dans les thèmes :
Contact :
Asma TRABELSI -- Zied ELOUEDI -- Eric LEFEVRE
Comparing dependent combination rules under the belief classifier fusion framework
Soft Computing, pp 6919-6932, Vol. 21, No. 23, décembre 2017
Asma TRABELSI -- Zied ELOUEDI -- Eric LEFEVRE
Ensemble enhanced evidential k-NN classifier through random subspaces
40th European Conference on Symbolic and Quantitative Approaches to Reasoning with Uncertainty, ECSQARU'2017, pp 212-221, juillet 2017
Asma TRABELSI -- Zied ELOUEDI -- Eric LEFEVRE
A novel k-NN approach for data with uncertain attribute values
30th International Conference on Industrial, Engineering other Applications of Applied Intelligent Systems, IEA/AIE’2017, pp 160-170, juin 2017
2016
Conférence Nationale avec Comité de Lecture
Asma TRABELSI -- Zied ELOUEDI -- Eric LEFEVRE
Nouvelle méthode d’arbre de décision pour le traitement des données partiellement incertaines
Actes des 25e Rencontres Francophones sur la Logique Floue et ses Applications, LFA'2016, pp 57-64, octobre 2016
Asma TRABELSI -- Zied ELOUEDI -- Eric LEFEVRE
Handling uncertain attribute values in decision tree classifier using the belief function theory
17th International Conference on Artificial Intelligence: Methodology, Systems, Applications, AIMSA'2016, pp 26-35, septembre 2016
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.