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

Sérigne mamadou DIÈNE

Doctorant
Travaille dans les thèmes :
Contact :
    Aucune publication ne correspond aux critères fournis.

    Sujet de thèse : "Développement de réseaux de neurones profonds avec la théorie de Dempster-Shafer"

    2023

    Les réseaux de neurones profonds (DNN) sont des modèles prédictifs qui exploitent plusieurs couches de neurones artificiels pour calculer une prédiction [1,4]. Dans la version originale, les couches sont séquentielles et chaque neurone d’une couche est connecté aux neurones de la couche précédente. De nombreuses autres architectures alternatives ont été proposées pour adapter les DNN à la résolution de problèmes spécifiques et complexes.

    D’autre part, une théorie appelée théorie de Dempster-Shafer des fonctions de croyance, ou théorie de la preuve [15], est apparue comme une généralisation riche et flexible de la théorie Bayésienne des probabilités, capable de traiter des informations imparfaites (incertaines, imprécises, ...). Elle est notamment utilisée dans un nombre croissant d’applications, telles que la classification (par exemple [2]), le regroupement (par exemple [3,7]) ou la fusion d’informations (par exemple [5,13]).

    Des travaux récents [6,16,17] ont montré l’intérêt d’enrichir un DNN avec une couche supplémentaire de Dempster-Shafer [2] basée sur la distance pour prédire les fonctions de croyance. Ces fonctions de croyance peuvent être d’un grand intérêt pour représenter une réalité le plus fidèlement possible, par exemple pour effectuer une classification partielle [8], c’est-à-dire des décisions en faveur d’un groupe de classes.

    L’idée principale de cette thèse est d’approfondir le développement de tels réseaux évidentiels profonds en exploitant des méthodes développées au LGI2A permettant de considérer des connaissances plus fines sur la qualité [12, 14] et la dépendance des informations [11], ou l’ignorance dans les prédictions [9,10].

    Deux applications sont envisagées : Analyse d’images issues de drones et analyse de populations de poissons.

    Financement

    Cette thèse est cofinancée par la région Hauts-de-France et l’université d’Artois.

    Références

    [1] C. M. Bishop. Pattern recognition and machine learning, 5th Edition. Information science and statistics. Springer, 2007.
    [2] T. Denoeux. A neural network classifier based on dempster-shafer theory. IEEE Transactions on Systems, Man, and Cybernetics-Part A : Systems and Humans, 30(2):131–150, 2000.
    [3] T. Denœux. Calibrated model-based evidential clustering using bootstrapping. Information Science, 528:17–45, 2020.
    [4] I. Goodfellow, Y. Bengio and A. Courville : Deep Learning (Adaptive Computation and Machine Learning), MIT Press, Cambridge (USA), 2016.
    [5] L. Huang, T. Denoeux, P. Vera, and S. Ruan. Evidence fusion with contextual discounting for multi-modality medical image segmentation. In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 401–411. Springer, 2022.
    [6] L. Huang, S. Ruan, P. Decazes, and T. Denoeux. Lymphoma segmentation from 3D PET-CT images using a deep evidential network. International Journal of Approximate Reasoning, Volume 149, pages 39-60, 2022.
    [7] F. Li, S. Li, and T. Denœux. Combining clusterings in the belief function framework. Array, 6:100018, 2020.
    [8] L. Ma and T. Denœux. Partial classification in the belief function framework. Knowledge-Based Systems, 214 : article 106742, 2021.
    [9] P. Minary, F. Pichon, D. Mercier, E. Lefèvre and B. Droit. Evidential joint calibration of binary SVM classifiers, Soft Computing, pp 4655-4671, Vol. 23, No. 13, 2019.
    [10] S. Ramel, F. Pichon and F. Delmotte. A reliable version of choquistic regression based on evidence theory, Knowledge-Based Systems, KBS, pp 106252, Vol. 205, 2020.
    [11] F. Pichon. Canonical decomposition of belief functions based on Teugels’ representation of the multivariate Bernoulli distribution. Information Sciences, 428:76-104, 2018.
    [12] F. Pichon, D. Dubois, and T. Denœux. Relevance and truthfulness in information correction and fusion. International Journal Approximate Reasoning, 53(2):159–175, 2012.
    [13] F. Pichon, D. Dubois, and T. Denoeux. Quality of information sources in information fusion. In Éloi Bossé and Galina L. Rogova, editors, Information Quality in Information Fusion and Decision Making, pages 31–49. Springer, 2019.
    [14] F. Pichon, D. Mercier, E. Lefèvre, and F. Delmotte. Proposition and learning of some belief function contextual correction mechanisms. International Journal Approximate Reasoning, 72:4–42, 2016.
    [15] G. Shafer. A mathematical theory of evidence, volume 42. Princeton university press, 1976.
    [16] Z. Tong, P. Xu, and T. Denoeux. An evidential classifier based on dempster-shafer theory and deep learning. Neurocomputing, 450:275–293, 2021.
    [17] Z. Tong, P. Xu, and T. Denœux. Fusion of evidential cnn classifiers for image classification. In International Conference on Belief Functions, pages 168–176. Springer, 2021.