Upload
tatienne-normand
View
104
Download
0
Embed Size (px)
Citation preview
1
Fusion de données :
introduction
Fusion de données
De l’utilisation des mesures de confiance
Olivier COLOT
« Ce que les hommes veulent en fait, ce n’est pas la connaissance, c’est la certitude. »
Bertrand Russel
2
2
Fusion de données :
introduction
Road book
• Introduction (« Cé koi leu problème? », « A koi sa sair? »)• Présentation des problématiques • Imprécision et incertitude• Fusion d’informations imparfaites: méthodes, techniques, champs d’application,...• Exemples
Once upon a time the data fusion…
3
3
Fusion de données :
introduction
Objectifs
Des éléments relatifs à la « fusion » tant sur les aspects « méthodes » que sur les aspects « applications ».
Intérêt de la fusion de données dans de nombreux domaines
4
4
Fusion de données :
introduction
Who is it ?1) Pamela Anderson?2) George W. Bush?3) E.T.?4) The lord of the rings?
Panel d’experts(Plusieurs capteurs)
Comment résoudre le problème?
Pamela
E.T.
?
George or E.T.
DécisionTraitementde l’information
ModélisationAgrégation (Fusion)
Règle(s)de décision
Segmentation, Analyse, RdF
Objectif:Prendre une décision
Désaccord Sources conflictuelles
Petit exemple introductif !
5
5
Fusion de données :
introduction
Petit exercice introductif!
« Petits papiers et bouts de crayon! »
6
6
Fusion de données :
introduction
E1Quelle est ma taille en cm :
E2Quelle est ma taille en cm :
E3Quelle est ma taille en cm :
A partir des informations données parE1, E2 et E3, quelle est ma taille en cm :
Petit exercice introductif!
7
7
Fusion de données :
introduction
Petit exercice introductif!
Informations
Source 4
Source 1 Source 2
Source 3
Information combinée:Synthèse de la connaissance
Combinaison (fusion)
8
8
Fusion de données :
introduction
Fusion? Vous avez dit « Fusion »?
Souvenez-vous!
110 OR
010 AND
Et ça, ça ne vous rappelle rien?
n
iixn
x1
1
Et bien d’autres exemples encore!
n
iiixn
x1
1 avec 1,0i
Règle de Bayes
Réseau de neurones
)(
)()()(
HP
EPEHPHEP
9
9
Fusion de données :
introduction
« When you use information from one source, it’s plagiarism; When you use information from many, it’s information fusion.»
Belur Dasarathy
« La fusion d’informations consiste à combiner des informations
issues de plusieurs sources afin d’améliorer la prise de décision »
Isabelle Bloch
Fusion? Vous avez dit « Fusion »?
10
10
Fusion de données :
introduction
« We are drowning in information but starved for knowledge. This level of information is clearly impossible to be handled by present means.
Uncontrolled and unorganized information is no longer a resource in an information society, instead it becomes the enemy. »
John Naisbitt, in Megatrends, 1982
Pourquoi la fusion?
XXIème siècle:Le siècle de l’information
11
11
Fusion de données :
introduction
On dispose d'informations:• de plus en plus riches et complexes,• de nature et de fiabilité différentes.
Systèmes d'information, de communication ou de commande Aider ou coopérer avec les opérationnels du domaine applicatif (les utilisateurs) dans le but de décider.
Système interactif avec l'utilisateur Pilotage de certaines parties du systèmes modification des confiances sur l'exhaustivité d'un ensemble d'hypothèses envisagées ou en définissant en temps réel un équilibre entre différents critères de décision.
Système doit pouvoir fournir des informations complémentaires sur les conflits entre sources d’informations par exemple
Pourquoi la fusion?
XXIème siècle:Le siècle de l’information
12
12
Fusion de données :
introduction
Accroissement du nombre de sources d'information– développement de nouveaux capteurs (ex : imagerie
médicale)IRM+angiographie; Scanner+echographie– développements de nouveaux algorithmes– augmentation de la puissance de calcul
Besoin en information de haut niveau
Intégration de l'opérateur humain dans la boucle
Intérêt de la fusion
13
13
Fusion de données :
introduction
Combinaison de données issues de différentes sources, en vuede répondre à une certaine question (valeur d’un paramètre).
Problématique récente : e.g. multiplication des capteurs, systèmes décentralisés,…
Domaines d’applications :• Fusion multi-capteurs (application militaire, télédétection, etc.)• Systèmes d’interrogation de bases de données multiples• Combinaison d’avis d’experts
Difficulté du problème : données incomplètes, incertaines, hétérogènes, issues de sources de fiabilité inconnue, éventuellement dépendantes.
Cadres théoriques : probabilités, possibilités, croyances.
Pourquoi la fusion?
14
14
Fusion de données :
introduction
Système autonome
Systèmeréel
décision
capteurs commande
opérateur
plandonnéesnumériques
Interaction système-opérateur
15
15
Fusion de données :
introduction
Système télé-opéré
Systèmeréel
décision
capteurs commande
opérateurréalitévirtuelle/augmentée consigne
Interaction système-opérateur
16
16
Fusion de données :
introduction
Système opéré
Systèmeréel
décision
capteurs commande
opérateur
diagnosticdonnées
symboliques
Interaction système-opérateur
17
17
Fusion de données :
introduction
Modélisation de la connaissance sur un système réel mais dont on ne connaît qu'une image partielle et/ou déformée.
Fusion dirigée par les buts – reconstruction la plus complète et précise– décision la plus fiable qu’en se fondant sur une seule
source d’information
Cadre de la fusion
18
18
Fusion de données :
introduction
Techniques de fusion de données permettent:1- de mettre à profit un nombre maximum de données, en tenant compte de la diversité de leurs imperfections 2- en tentant de pallier les faiblesses de certaines avec les point forts des autres3- dans le but de fournir une information élaborée, dédiée et pertinente vis-à-vis du contexte.
Le processus global 1- Situation réelle est observée par un ensemble de capteurs de plus ou moins haut niveau fournissant plusieurs vues déformées de la situation (ex.: convolution par une lentille optique). 2- Informations sont alors collectées et exploitées conjointement par un traitement de fusion permettant d’estimer la situation réelle.
Principes de base de la fusion
19
19
Fusion de données :
introduction
Systèmes de fusion de données 1- s'appuient principalement sur des étapes de modélisation 2- de recalage 3- et de combinaison (ou fusion, ou agrégation) d'informations 4- puis de décision
De l’information à la décision
20
20
Fusion de données :
introduction
Information et représentation mathématique • permet de l'exploiter • constitue l'étape de modélisation de l'information • réflexion sur le sens de chacune des informations manipulées • modélisation doit être adaptée de façon fidèle au sens de l'information réellement disponible • fidélité de modélisation conduit à des problèmes d'hétérogénéité ou d'hybridité (plus l'ensemble des informations dont on veut tenir compte est large, plus on rencontre les problèmes de représentation des données et plus ils deviennent cruciaux)
De l’information à la décision
21
21
Fusion de données :
introduction
Points essentiels:
• Mécanismes de modélisation et éventuellement recalage• Mécanisme de fusion (éventuellement données hétérogènes)• Prise en compte de la notion de fidélité entre le sens de l'information réellement disponible et le sens de la représentation mathématique (pertinence, confiance, fiabilité)• Règles de décision s’appuyant sur les résultats de la fusion
En résumé
Remarque: Prise en compte de la fiabilité des sources d’information lors de la modélisation par exemple, si cela est possible
22
22
Fusion de données :
introduction
Où? Quand? Comment?
23
23
Fusion de données :
introduction
Applications militaires :– détection, identification et suivi de cibles– surveillance des champs de bataille– détection de mines enfouies ou sous-marines
Applications aéronautiques et spatiales :– imagerie satellitaire– commande d'engins spatiaux (fusées et robots)
Domaines d’application
Applications médicales :– observation du corps et des pathologies– aide au geste et au diagnostic médical
Robotique et véhicules intelligents– robots d'assistance humaine (fauteuils roulants, véhicule
automobile, machines agricoles,…)– robots autonomes en environnement difficile (robots sous-marins,
robots d'intervention, micro-robots,…) Assistance à l'opérateur humain :
– aide au diagnostic
– salle de contrôle (aiguilleurs du ciel)
24
24
Fusion de données :
introduction
capteurs physiques : – type images : caméra, télémètre, radar, images IRM, images
ultrason– type signaux : température, vitesse, accélération, temps de vol…
capteurs logiques (analogiques ou numériques):– modules de traitement de signaux– modules de traitement d'images
connaissances a priori :– objets et leurs caractéristiques– scène observée (cartes, atlas...)– règles d'évolution...
Pour se comprendre…
Sources d'information
25
25
Fusion de données :
introduction
Type des données
Mesures de type numérique :– distance– niveau de gris– durée d'un signal …
Décision de type symbolique :– situation dangereuse– existence d'une lésion– cible offensive...
« Matière brute » et « produits manipulés »
26
26
Fusion de données :
introduction
Données numériques :– Valeur absolue (longueur,
température)– Valeur relative (%) Les plus fréquentes
Données ordinales : – Ranger des élèves du plus petit au
plus grand– Echelle de salaires (petit, moyen,
élevé) on peut définir un ordre A<B<C
Données nominales : – Couleur des yeux (brun, vert, bleu) pas d’autres comparaisons possibles que A=B ou A≠B
Données binaires : – Présence ou absence d’une
caractéristique, sexe,… cas particulier des ordinales ou nominales
Données symboliques : – Carte IGN
Remarque: données peuvent être manquantes
Relation entre entités
« Matière brute » et « produits manipulés »
27
27
Fusion de données :
introduction
Informations numériques
informations données sous forme de nombre espace de définition ordonné exemple : la largeur du véhicule est de 1,5m
x X
« Matière brute » et « produits manipulés »
28
28
Fusion de données :
introduction
Informations symboliques
informations données sous forme de symboles, de propositions,
de règles
espace de définition non ordonné
H1
H2
H4
H3
• H1 : l’objet est une voiture
• H2 : l’objet est un camion
• H3 : l’objet est une moto
• H4 : l’objet est un piéton
« Matière brute » et « produits manipulés »
29
29
Fusion de données :
introduction
Hypothèses et propositions
Hypothèses Hi
Eléments de l'ensemble de définition
…, Hn}
hypothèses singletons (exclusives, exhaustives)
Propositions Ai
Eléments de l'ensemble 2des parties de
2…, }
« Matière brute » et « produits manipulés »
30
30
Fusion de données :
introduction
Rapprochement avec la théorie des ensembles
OU logique : union
ET logique : intersection
Proposition : union d'hypothèses OU entre les hypothèses
i j ij hypothèse composite
noté ij ou ij
Vision ensembliste
31
31
Fusion de données :
introduction
Utilisation d'un modèle de conversion
d
petit moyen grand
Conversion numérique-symbolique
x
petit moyen grand
petit(d)
moyen(d) grand(d)
d
32
32
Fusion de données :
introduction
Imperfections des données
Les capteurs et les algorithmes «parfaits» n’existent pas.– imprécision– incertitude– retard– manque de données
Nécessité d’une modélisation des erreurs
Caractéristiques des données manipulées
33
33
Fusion de données :
introduction
Exemple de l’imagerieExemple de l’imagerie
Image: entachée de bruit conditions d’acquisition, chaîne de mesure, quantification
Conséquences: sur les couleurs par exemple sur l’homogénéité des régions, des textures sur les contours … donc…. imprécisions et incertitudes
Conséquences sur les traitements et résultats: risques d’erreur interprétation(s) faussée(s)
Caractéristiques des données manipulées
34
34
Fusion de données :
introduction
Le monde n’est pas parfait….les informations non plus!
«Je mesure environ 1m80!»«Il pleuvra peut-être demain!»«Il pleuvra peut-être beaucoup demain!»
ImprécisionIncertitudeLes 2 pour corser le tout!
Répétition des mesures valeurs différentes (Incertitude)CausesCauses•Variations des conditions de mesure (variables d’influence)•Imperfection des capteurs (bruit électronique,…)
Une valeur unique ne représente pas la réalité
La fusion doit permettre de tenir compte des imprécisions et des incertitudes
Subjectivité?
Caractéristiques des données manipulées
35
35
Fusion de données :
introduction
Différentes formes d’imperfection :
• Imprécision : traduit le manque d’exactitude de la connaissance (en terme quantitatif)
• Incertitude : traduit le degré de conformité de l’information à la réalité
• Incomplétude : absence d’information apportée par une source sur certainsaspects du problème
• Ambiguïté : information fournie peut conduire à 2 interprétations différentes
• Conflit : plusieurs informations conduisent à des interprétations contradictoires
Caractéristiques des données manipulées
36
36
Fusion de données :
introduction
On peut diminuer l’incertitude d’une proposition en augmentant son imprécision.
– Exemple :
« Le prof mesure probablement plus de 1.70 m »
« Le prof mesure très certainement plus de 1.50 m »
Autre forme d’imperfection de l’information : ambiguïté, flou
– Exemple : « Le prof est grand »– Nécessite une extension de la théorie des ensembles
Théorie des sous-ensembles flous.
Imprécision, incertitude
37
37
Fusion de données :
introduction
Imprécision Estimation de la différence entre la mesure d provenant du
capteur et la valeur réelle inconnue X à mesurer.
x X d
Caractéristiques des données manipulées
Exemples :
«Je mesure environ 180cm!»
« La taille du prof est 180cm plus ou moins 2cm »
Cela signifie :
« La réelle valeur X de la taille du prof est dans l’intervalle
[178cm ; 182cm] »
38
38
Fusion de données :
introduction
Incertitude
Doute sur la réalité des différentes hypothèses Hi de l'ensemble
(confiance)
Exemples :
«Il pleuvra peut-être demain!»
La probabilité que l’individu observé soit G.W.B. est de 90%.
Caractéristiques des données manipulées
39
39
Fusion de données :
introduction
Modélisation de la méconnaissance (ignorance)
Représentation du fait que l'on ne sait pas– modélisation implicite (probabilités)– modélisation explicite (masse de croyance sur le référentiel)
Exemple : – jeu de pile ou face :
P(pile) = 50%, P(face) = 50% Joueriez vous votre vie sur un toss?
Méconnaissance, ignorance
40
40
Fusion de données :
introduction
Conflit des sources d’information
Conflit
Des sources d’information peuvent être en désaccord et générer ainsi un conflit dans le processus de fusion.
Question: Peut-on gérer ce conflit? Si oui, comment?
désaccord
Certaines théories permettent la gestion du conflit
Pamela
E.T.
?
George or E.T.
41
41
Fusion de données :
introduction
Principe
Estimation d'une donnée par la combinaison de plusieurs données
Estimation des erreurs associées (précision, certitude)
Fusion
42
42
Fusion de données :
introduction
Sources d'information
Sources redondantes : même espace de définition (espace de discernement)
ex : estimation distance d par capteur à ultrasons et télémètre
laser; Sources complémentaires : espaces de définition différents
ex : détection d'une lésion par sa forme et sa position
Fusion
43
43
Fusion de données :
introduction
Sources concordantes
les informations données par les deux sources sont compatibles
ex : source 1 : la mesure d [12,15]
source 2 : la mesure d [10,13] la qualité des informations est améliorée
Fusion
12m 15m
10m 13m
S2
S1
S1∩S2
Fusion :
Vérité dans S1∩S2
44
44
Fusion de données :
introduction
Sources discordantes
les informations données par les deux sources sont incompatibles
ex : source 1 : la mesure d [12,15]
source 2 : la mesure d [9,11]
discordance (conflit) si les données sont fusionnées, la qualité du résultat est
dégradée
Fusion
12m
15m
9m 11m
S2
S1
S1∩S2= ØFusion :
9m 15m Vérité dans S1S2
45
45
Fusion de données :
introduction
Conflit
Causes du conflit :
– capteurs physiques : fonctionnement dégradé (dysfonctionnement d’un capteur)
– capteurs logiques : mauvaise configuration
– choix des hypothèses (mise en correspondance...)
Modélisation du conflit
utilisation d'une mesure
Fusion
46
46
Fusion de données :
introduction
Décision
Choix d'une hypothèse ou d'une valeur numérique Prise de risque
Exemple en détection :
– faux positifs – faux négatifs
Définition d'un critère de choix – compromis "précision - certitude"– maximisation d'une mesure
Décision avec ou sans rejet
Fusion
47
47
Fusion de données :
introduction
Architecture de fusion
Niveau de fusion : – niveau signal / pixel– niveau attribut– niveau objet– niveau décision
Mécanismes :– conversion numérique/symbolique– mise en correspondance– combinaison– décision
Fusion
48
48
Fusion de données :
introduction
« M’ouaaais... mais en pratique??? »
=
=
49
49
Fusion de données :
introduction
Exemples de problème de fusion
50
50
Fusion de données :
introduction
« J’ai la mémoire qui flanche, j’me souviens plus très bien… »
Reconnaissance d'un objet :
RDF
capteur 1 : rouge ou bleucapteur 2 : rouge ou bleucapteur 3 : rond ou carré
} Même espace de discernement
Cadres de discernement différents
51
51
Fusion de données :
introduction
« Alea jacta est ! »
source 2 : points cotésource 1 : point du milieu
Librement inspiré de M. Rombaut (LIS – UJF, Grenoble)
Face du dé
52
52
Fusion de données :
introduction
Fusion Signature
SAR
IR
Reconnaissance
« ô mon bateau, ô ô ô ô! »
CRM, Canada
53
53
Fusion de données :
introduction
Image fusionnée de la même cible constituée de la combinaison de 87 images séquentielles, chacune d'elles étant semblable à l'image du haut. La résolution, à la fois spatiale et thermique, a été grandement améliorée; on peut voir clairement les points chauds et on commence à pouvoir identifier le navire.
Reco. = ???!!!Reco. = possible
Image thermique simple d’un ? obtenue à l’aide d’un système imageur infrarouge aérien à plusieurs éléments. Chaque carré représente le rayonnementreçu par un élément détecteur.
Objet Volant, Naviguant ou Immobile (OVNI)?
CRDVCanada
54
54
Fusion de données :
introduction
Plan 1958 Image optique 1992 Image radar1992
Fusion probabiliste (Bayes + MAP)
Fusion évidentielle Vérité terrain 1992
Big Brother is watching you!
ONERA
55
55
Fusion de données :
introduction
Segmentation de coupes IRM et reconstruction 3D
T2
T1
T1Gado
Contexte de l’étudeContexte de l’étude• Imagerie médicale• Aide au diagnostic• Suivi de patients atteints de cancers
IRM
56
56
Fusion de données :
introduction
T1Gado
T2
IRM
Conflit
Segmentation par différents modèles
57
57
Fusion de données :
introduction
IRM
58
58
Fusion de données :
introduction
EEG
étiquetagesubjectif
par 5 experts
0= onde delta1 = complexe K
Détection de complexes K
D’après T. Denœux (Heudiasyc – UTC)
Qui a raison?
59
59
Fusion de données :
introduction
I
II III
I : source mineureII : source activeIII : source critique
Surveillance acoustique d’appareils à pression
D’après T. Denœux (Heudiasyc – UTC)
60
60
Fusion de données :
introduction
Comparaison des 2 experts
étiquetage incertain et imprécis
Gestion de l’imprécis et de l’incertain
D’après T. Denœux (Heudiasyc – UTC)
61
61
Fusion de données :
introduction
Détection d’obstacles (INRETS - LIVIC)
62
62
Fusion de données :
introduction
Détection d’obstacles (INRETS - LIVIC)
63
63
Fusion de données :
introduction
Détection d’obstacles (INRETS - LIVIC)
64
64
Fusion de données :
introduction
Accrochez-vous…on va décoller!!!
65
65
Fusion de données :
introduction
Gestion de l’imprécis et de l’incertain:
Les théories en compétition
66
66
Fusion de données :
introduction
Incertitude, imprécision
Ensemble : ensemble (continu ou discret) d’hypothèses, de possibilités, de réponses possibles à une certaine question.
y=réponse correcte. La valeur de y peut être
– connue (y=)– inconnue (y )– partiellement connue (cas le plus fréquent)
Problème : comment modéliser des connaissances partielles, et les utiliser dans des raisonnements ?
Gestion de l’imprécis et de l’incertain
67
67
Fusion de données :
introduction
Incertitude, imprécision Modèle général :
élément d’information = (A , confiance)A=ensemble de valeurs possibles pour yconfiance : confiance dans le fait que yA.
Deux formes principales d’imperfection de l’information :– imprécision : card(A)>1– incertitude : confiance non absolue (doute) dans la véracité de
l’information
Exemples :– « Pierre mesure entre 1.70 m et 1.90 m »– « Pierre mesure probablement 1.80 m »– « Pierre mesure probablement entre 1.70 m et 1.90 m »
Gestion de l’imprécis et de l’incertain
68
68
Fusion de données :
introduction
Incertitude, imprécision
On peut diminuer l’incertitude d’une proposition en augmentant son imprécision.
– Exemple :
« Le prof mesure probablement plus de 1.70 m »
« Le prof mesure très certainement plus de 1.50 m » Autre forme d’imperfection de l’information : ambiguïté, flou
– Exemple : « Le prof est grand »– Nécessite une extension de la théorie des ensembles
théorie des ensembles flous.
Gestion de l’imprécis et de l’incertain
69
69
Fusion de données :
introduction
Incertitude et imprécision en RdF
Rappel : objets ou système décrits par 2 variables :– x X (=Rd) (vecteur forme)– y (classe)
Problèmes : ayant observé x,– donner une prédiction ponctuelle de y (« affectation à une
classe »), mais aussi– décrire l’incertitude sur y (important quand intégration dans
un processus de décision plus complexe).
Gestion de l’imprécis et de l’incertain
70
70
Fusion de données :
introduction
Apprentissage Supervisé
classifieur
ensemble d’apprentissagen exemples (xi,yi)
entrée connue
prédiction ponctuelleou probabiliste (mesurede probabilité P sur )
Gestion de l’imprécis et de l’incertain
71
71
Fusion de données :
introduction
Généralisation
classifieur 1
ensemble d’apprentissage =données imprécises ou incertainesei = connaissance partielle sur
(xi,yi)
entrée xpartiellement
connueFusion…
description de la connaissance partielle sur y
compte tenu de toutes les sourcesd’information et de
leur incertitudeclassifieur q
Gestion de l’imprécis et de l’incertain
72
72
Fusion de données :
introduction
Bases de données hétérogènes
Ex : base de données médicales Jusqu’à une date t0 : ={,2}
A partir de t0 : on identifie 2 variantes de la maladie 2 {1 , 22}
Nouvel ensemble ’={,21 , 22}
Parmi les cas étiquetés avant t0, certains seront étiquetés de manière imprécise.
étiquetage imprécis
Gestion de l’imprécis et de l’incertain
73
73
Fusion de données :
introduction
Méthodes probabilistes ou non probabilistes
RdF, diagnosticCommande floue
Règle(s) de décisionLois de commande
Extraire les
caractéristiques
ApprendreComprendreConstruire
Acquérir
Représentation
EnvironnementContexte
Informations a priori
Multi-capteursMulti-sourcesMulti-modalitéExpert(s)
FiabilitéConfiance
Hétérogénéité
ImprécisesIncertainesIncomplètesHétérogènes
Modèle(s)?Multi-modèles?
Stratégies
DéciderAgir
Interpréter
Numériques/
Symboliques
Monde observé
De l’information à la décision
Système de perception
74
74
Fusion de données :
introduction
De l’information à la décision
1. Modélisation des connaissances
2. Combinaison des connaissances
3. Décision
Les étapes fondamentales
Définition d’une architecture ad hoc
75
75
Fusion de données :
introduction
d
petit moyen grand
)(
1,02:
ACA
C
d
d
Fusionner des données nécessite qu'elles soient définies dans le
même cadre de discernement
Modélisation des connaissances– d mesure numérique– espace des hypothèses = {petit, moyen, grand} – Cd confiance
Mécanismes de fusion
Mesure de confiance
x
petit moyen grand
petit(d)
moyen(d) grand(d)
d
76
76
Fusion de données :
introduction
Modélisation des connaissances pour deux sources– d1 et d2 mesures numériques
– même espace des hypothèses – Cd1 et Cd2 confiances
d1
petit moyen grand
d2
petit moyen grand
1
1
: 0,12
( )d
d
C
C AA
2
2
: 0,12
( )d
d
C
C AA
Mécanismes de fusion
d1
d2
x
petit moyen grand
petit(d)
moyen(d) grand(d)
d
77
77
Fusion de données :
introduction
Gains attendus de la modélisation des incertitudes
Flexibilité : prise en compte de la totalité des informations disponibles, même hétérogènes, de précision et de fiabilité variables
Robustesse : tolérance à l’imprécision et l’incertitude des entrées du système de décision.
Fusion de décisions, système interactif d’aide à la décision : l’influence de la sortie d’un système sur la décision doit dépendre de l’incertitude associée
Il faut un cadre mathématique permettant de modéliser toutes les formes d’incertitude
Mécanismes de fusion
78
78
Fusion de données :
introduction
Modélisation des connaissances Combinaison des connaissances Décision
)(
1,02:
1
1
ACA
C
d
d
)(
1,02:
2
2
ACA
C
d
d
)(
1,02:
12
12
ACA
C
d
d
Mécanismes de fusion
Confiance après combinaison
79
79
Fusion de données :
introduction
Modélisation des connaissances Combinaison des connaissances Décision
id HC 12
Mécanismes de fusion
)(max 12 idH
retenue HCfArgHi
Exemple : MAP en probabilités
80
80
Fusion de données :
introduction
3 formalismes :– probabilités (vision fréquentiste et subjective)– possibilités (sous-ensembles flous)– évidence (croyance, Dempster-Shafer)
Formalismes disponibles
Didier DUBOIS Henri PRADELofti ZADEH
Glenn SHAFER Philippe SMETS Thierry DENŒUX
Thomas BAYES
81
81
Fusion de données :
introduction
Théorie des probabilités (Bayes, Kolmogorov, Cox, Jeffreys)
Inconvénient: introduction de lois a priori
Fusion: Règle de Bayes
Théorie des sous-ensembles flous et des possibilités (Zadeh, Bezdek, Dubois & Prade)
Degrés d’appartenance
Mesures de possibilité et de nécessité
Fusion: plusieurs opérateurs
Théorie de l’évidence (Shafer, Smets, Kholas)
Masses de croyance, crédibilité, plausibilité, probabilité pignistique
Fusion: Opérateurs de Dempster, Yager, Dubois & Prade,
Smets, Lefevre et al.
Formalismes disponibles
82
82
Fusion de données :
introduction
Théorie des probabilitésThéorie des probabilités • Approche fréquentiste une probabilité = la limite d'une fréquence d'occurrence d'événements•Approche subjective (ou confiance) une probabilité reflète simplement un état de connaissance et le lien avec une fréquence réelle d'occurrence n'existe que dans certains cas.
Théories non probabilistesThéories non probabilistes• théorie des possibilités (cadre de la logique floue) • théorie de l'évidence proposée par Shafer (1976).
Deux écoles de pensée : 1- les probabilistes: les résultats et mécanismes auxquels conduisent ces approches toujours atteints par une méthode strictement probabiliste (à condition qu'elle soit suffisamment adaptée) 2- les adeptes de la théorie de l'évidence ou des possibilités volonté de chercher une modélisation plus fidèle sémantiquement vis-à-vis de l'information disponible.
Formalismes disponibles
83
83
Fusion de données :
introduction
1) Réfléchir avant d’agir (bien analyser le problème posé)!2) Ne pas sortir la grosse artillerie si cela n’est pas nécessaire !3) Savoir pourquoi on choisit une méthode ou une technique plutôt qu’une autre!4) Réfléchir pour savoir si la méthode ou la technique est un tant soit peu raisonnable [cf. règles 1), 2) et 3) ] dans le cadre de son application!5) Ne jamais ignorer les informations (quand elles existent) qui peuvent permettre de faciliter la résolution du problème!
Les règles du bon « fusionneur »
Conseils
84
84
Fusion de données :
introduction
« When the only tool you have is a hammer, everything looks like a nail. »
Lotfi ZADEH (cf. aussi Abraham MASLOW)
Le « principe du marteau » et autres petits adages
"The proof of the pudding is in the eating.»Célèbre proverbe cité
par Philippe SMETS
On peut faire des tas de choses avec la fusion d’informations imparfaites à condition de savoir ce que l’on cherche à faire!
…et postscriptum!
85
85
Fusion de données :
introduction
This is the end of this part!This is the end of this part!