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

Sebastien RAMEL

Ingénieur
Travaille dans les thèmes :
Contact :
  • +333 21.63.71.64
2020
Revue Internationale avec Comité de Lecture
DOI
A reliable version of choquistic regression based on evidence theory
Knowledge-Based Systems, KBS, pp 106252, Vol. 205, octobre 2020
Étalonnage évidentiel actif de classifieurs SVM
Actes des 27e Rencontres Francophones sur la Logique Floue et ses Applications, LFA 2018, pp 93-100, (Prix du meilleur papier doctorant), Arras, France, Cepadues, novembre 2018
2018
Conférence Internationale avec Comité de Lecture
Active evidential calibration of binary SVM classifiers
Belief Functions: Theory and Applications, Proc. of the 5th International Conference, BELIEF 2018, pp 208-216, Volume 11069 of Lecture Notes in Computer Science, Compiègne, France, F. Cuzzolin, S. Destercke, T. Denœux, A. Martin, Springer, septembre 2018

Auteur de la thèse intitulée "Régression logistique crédibiliste : application à l’étalonnage actif de classifieurs et extension choquistique"

2016 - 2020

La régression logistique est un modèle de classification bien établi, dont la monotonie a contribué à sa popularité. Cependant, elle présente au moins deux faiblesses. Premièrement, elle manque d’une conscience de soi, c’est-à-dire une aptitude à représenter l’ignorance (aussi connue sous le nom d’incertitude épistémique ou réductible) impliquée dans ses prédictions, ce qui est crucial dans des problèmes de classification critiques. Récemment, une extension de la régression logistique a été introduite pour pallier ce problème et a été appliquée à l’étalonnage de classifieurs. Cette extension est formalisée dans le cadre de la théorie de l’évidence et repose en particulier sur une méthode pour l’inférence statistique et la prédiction développée dans ce cadre. La première contribution de cette thèse est d’étudier l’intérêt de cette extension pour l’apprentissage actif dans le contexte de l’étalonnage de classifieurs. Une stratégie d’échantillonnage par incertitude reposant sur l’ignorance est proposée et validée expérimentalement. Une seconde faiblesse de la régression logistique est qu’elle manque de flexibilité, c’est-à-dire une aptitude à capturer des dépendances non linéaires entre les prédicteurs. Pour traiter ce problème, une généralisation élégante de la régression logistique reposant sur l’intégrale de Choquet et appelée régression choquistique, a été proposée. Elle préserve la monotonie de la régression logistique tout en s’affranchissant de sa linéarité. Toutefois, comme la régression logistique, elle manque d’une conscience de soi. La deuxième contribution de cette thèse est de remédier à ce problème en dérivant une extension de la régression choquistique basée sur la théorie de l’évidence, similaire à l’extension crédibiliste de la régression logistique. L’utilité de l’approche obtenue est confirmée empiriquement dans des problèmes de classification où la prudence dans la prise de décision est permise.

Inscrite dans le projet régional ELSAT2020 (VUMPOE), cette thèse est financée en partie par le projet ELSAT2020, qui est cofinancé par l’Union européenne avec le Fonds européen de développement régional, l’État français et le Conseil régional des Hauts de France.

VUMOPE (ELSAT 2020)

2015 - 2020

Vers Une MObilité Propre et Efficace

Résumé :

L’objectif de ce projet est de repenser les recherches sur l’amélioration des performances des véhicules en intégrant la complexité des usages, par exemples les comportements des conducteurs.