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

Siti MUTMAINAH

Doctorant
(Départ du LGI2A en 2021)
Travaille dans les thèmes :

Conférence Internationale avec Comité de Lecture

On Learning Evidential Contextual Corrections from Soft Labels Using a Measure of Discrepancy Between Contour Functions
Proceedings of the 13th international conference on Scalable Uncertainty Management, SUM 2019, pp 382-389, Compiègne, France, décembre 2019

Conférence Nationale avec Comité de Lecture

Siti MUTMAINAH -- Frédéric PICHON -- David MERCIER
Apprentissage de corrections contextuelles crédibilistes à partir de données partiellement étiquetées en utilisant la fonction de contour
Actes des 28èmes rencontres francophones sur la Logique Floue et ses Applications, LFA 2019, pp 157-164, Alès, France, Cépaduès, novembre 2019

Auteur de la thèse intitulée "Apprentissage de l’ajustement d’une source d’information crédibiliste à l’aide de données partiellement étiquetées et de décisions partielles"

2017 - 2021

La qualité de l’information fournie par une source (par exemple : un capteur, un classifieur, ...) joue un rôle important dans le succès d’une tâche de reconnaissance de formes. En effet, cette dernière peut s’avérer fausse, biaisée ou non pertinente.

Dans cette thèse, nous abordons ce problème d’ajustement de source dans le cadre de la théorie des fonctions de croyance de Dempster-Shafer, qui fournit un modèle mathématique riche et flexible pour manipuler des informations imparfaites, ce modèle généralisant la théorie des probabilités par exemple. Nous considérons également la source comme une boîte noire, c’est-à-dire que nous ne connaissons pas son fonctionnement. Nous disposons uniquement d’une source et de ses possibles sorties sur un ensemble de données étiquetées. Cette situation se produit par exemple dans le cas d’une entreprise disposant, pour réaliser une certaine tâche, d’un équipement issu d’une autre entreprise et dont la technologie est protégée.

Deux contributions principales sont apportées dans ce manuscrit pour apprendre à ajuster une source à partir de données. Nous proposons premièrement d’étendre les performances de mécanismes de corrections contextuelles en prenant en compte un découpage selon des décisions partielles associées aux sorties de la source, ces mécanismes de corrections contextuelles permettant de prendre en compte des connaissances fines sur la qualité d’une source comme sa pertinence, c’est-à-dire la capacité de la source à répondre à la question d’intérêt, et sa véracité, c’est-à-dire sa capacité à dire ce qu’elle sait, cette capacité pouvant être consciente - comme un mensonge par exemple - ou inconsciente - comme un biais par exemple. Deuxièmement, nous montrons comment il est possible d’apprendre ces corrections même dans le cas où les données ne seraient que partiellement étiquetées. Les avantages des méthodes proposées sont illustrés dans des expériences numériques utilisant des données synthétiques et réelles.