Dans la théorie des fonctions de croyance, on est souvent contraint `a travailler avec des fonctions de masse ayant un grand nombre d'ensembles focaux ou à combiner itérativement plusieurs fonctions de masse ce qui engendre l'explosion du nombre d'éléments focaux dans la fonction de masse résultante. Cette limite peut rapidement diminuer l'intérêt pratique d'une représentation crédibiliste des incertitudes. Face à cet aléa, l'approximation des fonctions de croyance constitue un atout. Dans cet article, nous proposons d'étendre les techniques classiques d'approximation, reposant essentiellement sur la comparaison du contenu informatif des fonctions de masse en terme de spécificité, à d'autres relations entre fonctions de croyance telles que l'ordre latticiel. Cela permet de pallier l'inadéquation des techniques classiques dans certaines applications.
Dans cet article, nous considérons une variante du problème de tournées de véhicules avec fenêtres de temps (VRPTW) où les temps de service et les temps de trajet sont incertains et représentés par des fonctions de croyance. Cette théorie est plus générale que la théorie des probabilités dans la modélisation des incertitudes. Nous proposons d'appliquer l'approche Belief-Constrained Programming, qui étend la méthode Chance-Constrained Programming en optimisation stochastique, au VRPTW afin de gérer les temps de service et les temps de trajet crédibilistes. Notre modèle impose des bornes minimales pour la croyance et la plausibilité que le service de chaque client commence dans sa fenêtre de temps. Un algorithme mémétique est mis en place pour la résolution des instances de Solomon adaptées aux données crédibilistes.
De nos jours, les opinions partagées sur les sites web sont devenues l'une des principales sources d'information lors de la prise de décision pour les acheteurs (qu'ils soient des particuliers ou des entreprises). Malheureusement, l'importance de la publicité et l'attrait du profit ont provoqué l'apparition de fausses opinions afin de troubler les consommateurs. Puisque les avis donnés sont généralement imprécis et incertains, il est assez difficile de distinguer les faux avis des vrais. Dans cet article, nous proposons une nouvelle méthode de détection de faux avis, capable de traiter l'incertitude en se fondant sur la théorie des fonctions de croyance. Cette approche permet de prendre en compte la compatibilité entre l'avis donné et tous les autres. Nous proposons de valider le comportement de notre méthode à travers des exemples numériques et de l'évaluer à travers des bases artificielles. Ces expérimentations prouvent que cette méthode, prenant en compte l'incertitude, constitue une première démarche intéressante pour la détection de fausses opinions.
Les systèmes de raisonnement à base de cas se caract érisent par un apprentissage incrémental à partir des expériences passées. Toutefois, cette évolution peut devenir incontrôlable et menacer leur succès qui dépend essentiellement du temps de recherche et de la qualité des bases. Pour garantir cette qualité, la maintenance des bases de cas (CBM) est nécessaire. Cependant, beaucoup de travaux réalisés dans ce domaine réduisent leur compétence en terme de résolution de problèmes surtout quand les cas reposent sur des informations imparfaites. Afin de régler ce problème, nous proposons, dans cet article, une nouvelle approche de Maintenance des Bases de Cas dans un cadre Évidentiel (ECBM). Cette méthode est capable de gérer l'imperfection par l'utilisation de la théorie des fonctions de croyance. L'idée clé est d'utiliser une technique d'apprentissage automatique gérant l'incertitude, puis de distinguer entre les différents types de cas pour ensuite effectuer la maintenance.
Dans le cadre de la combinaison de classifieurs, une étape de calibration, fondée sur la régression logistique, est généralement utilisée pour transformer indépendamment chaque sortie de classifieur en distribution de probabilité pour ensuite les combiner. Afin de mieux gérer les incertitudes cette calibration a récemment été redéfinie dans le cadre des fonctions de croyance. Dans cet article, nous proposons de calibrer conjointement les classifieurs en utilisant la régression logistique multiple, et d'étendre cette approche au cadre des fonctions de croyance. Notre approche évidentielle est testée sur des données simulées et réelles avec des classifieurs SVM binaires, et présente plusieurs avantages par rapport à sa version probabiliste et par rapport à l'approche évidentielle calibrant indépendamment chaque classifieur.
Ce papier porte sur deux modèles du problème de tournées de véhicules avec capacité (CVRP, en abrégé, pour Capacitated Vehicle Routing Problem) où les demandes des clients sont incertaines et représentées en utilisant la théorie de l'évidence. Le premier modèle, appelé CVRP Belief-Constrained Programming, est une extension de l'approche Chance-Constrained Programming en programmation stochastique, o`u la contrainte en probabilité est remplacée par deux contraintes évidentielles, i.e., nous imposons des bornes minimales pour la croyance et la plausibilité que la somme des demandes sur chaque route respecte la capacité. Le deuxième modèle, appelé CVRP with Evidential Recourses, étend l'approche dite de recours : si le véhicule arrive à un certain client et ne peut pas satisfaire sa demande, il doit retourner au dépôt et revenir au client. L'incertitude sur les recours possibles sur chaque route est représentée par une fonction de croyance et le coût d'une route est alors son coût classique (sans recours) additionné du pire coût espéré des recours. Des tests numériques sont présentés pour les deux modèles.
L'arbre de décision est l'une des méthodes de classification les plus connues et à été largement utilisé dans plusieurs domaines, notamment dans la fouille de données et l'apprentissage automatique. Cependant, les algorithmes standards de construction de l'arbre de décision ne sont pas capables de gérer l'incertitude, en particulier l'incertitude épistémique. Dans cet article, nous proposons d'adapter la technique d'arbre de décision à un environnement incertain. Concrètement, nous traitons le cas où les valeurs d'attributs d'objets sont incertaines et où cette incertitude est représentée dans le cadre de la théorie des fonctions de croyance. La méthode proposée concerne à la fois la construction de l'arbre de décision et la classification de nouveaux objets.
Dans cet article, une première étude est réalisée sur des mécanismes d'affaiblissement permettant l'ajustement de fonctions de croyance en se basant sur les résultats fournis par une matrice de confusion. Pour ce faire, trois approches basées sur des affaiblissements sont exposés. Ces méthodes permettent l'estimation des coefficients d'affaiblissement attribués à une source, afin de corriger ses décisions brutes, et ce en tenant compte des décisions apprises et offertes par la matrice de confusion. Ces ajustements diffèrent selon qu'un affaiblissement classique et contextuel est employé. Ces méthodes sont illustrés sur un exemple mettant en avant leurs intérêts respectifs. In this papier, a pre-study is performed on mechanisms allowing the adjustment of belief functions based on the results provided by a confusion matrix. To this end, three different approaches based on discountings are displayed. These methods allow the estimation of discounting rates assigned to a source to correct its row data by taking into account learnt decisions given by the confusion matrix. These adjustments differ depending on whether a traditional or contextual discounting is realized. These methods are illustrated with an example highlighting their respective interests.
Dans cet article, on s'intéresse au problème de poursuite et de classification simultanées de plusieurs cibles. Ce travail est à rapprocher de celui de Smets et Ristic. L'article est préliminaire et fédère des approches de plusieurs travaux. L'étape de poursuite sera assurée par des filtres de Kalman et d'IMM (Interacting Multiple Model) classiques, seule l'étape de classification est assurée par des fonctions de croyance. Les objets à classer sont invariants dans le temps, et il n'y a donc pas d'étape de détection ou de suppression de cibles. Une comparaison sur un problème de poursuite d'avions permet d'illustrer quelques différences avec l'approche Bayésienne. In this paper, we study the problem of joint tracking and classification of several targets. Targets are considered to be known and sufficiently separated so that they cannot be confused. Our goal is to shed light on the contribution of credal classification over the Bayesian classification. Our job is to track the movement of targets using conventional Kalman filters and IMMs, and compare the performances of credal and Bayesian classification.
Dans cet article, une méthode de diagnostic de machines électriques, exploitant des mesures de champs magnétiques, est présentée. L'approche est couplée à un processus de fusion d'informations basé sur les fonctions de croyance. Une étude antérieure a montré qu'il était possible de détecter un défaut sur le bobinage d'un moteur à l'aide d'une méthode non-invasive. Celle-ci est basée sur l'analyse des variations du champ magnétique à l'extérieur de la machine lorsque la charge varie. Plusieurs mesures autour de la machine sont nécessaires afin d'augmenter la probabilité de détection de défaut car la position du défaut par rapport au capteur influence de façon importante le résultat. Ainsi dans cet article, l'ensemble des mesures sont utilisées afin d'obtenir un diagnostic plus fiable et d'augmenter la probabilité de détection des défauts. La fusion des mesures est réalisée dans le cadre de la théorie des fonctions de croyance. Cette approche est testée sur des mesures réelles. In this paper, a method for diagnosis of AC machines using the magnetic field is presented. The method is associated to a fusion process based on belief functions. In previous works, it has been shown that it was possible to detect fault in the stator windings of electrical machines using a noninvasive method. It is based on the analysis of the variation of the magnetic field outside of the machine when the load varies. Several measurements around the machine are necessary to increase the probability of the fault detection because the fault position relatively to the sensor can strongly influence the results. So in this paper, it is proposed to exploit conjointly all the measurements in order to obtain a more robust and reliable diagnostic and to increase the probability of detecting the fault. The merging of the different estimations being realized in the framework of belief functions. This approach is tested on real measurements.
Cet article introduit un système basé sur des fonctions de croyance pour l'échange et la gestion d'informations imparfaites portant sur des événements dans la communication inter-véhicules (VANET). Ce modèle est implémenté sous Matlab afin d'être testé. This paper introduces a system using belief functions for exchanging and managing imperfect information about events in vehicular networks (VANET). This model is implemented with Matlab in order to be tested.
Dans cet article, nous nous intéressons à la correction de fonctions de croyance et plus particulièrement à l'estimation de méta-connaissances nécessaire à la mise en place de ces corrections. Les méta-connaissances permettent de caractériser l'état dans lequel la source se trouve (par exemple : pertinente ou non, sincère ou non). Avec ces méta-connaissances, on peut donc corriger la fonction de croyance initialement donnée par la source d'information. Notre application concerne la fusion de classifieurs. Ainsi dans notre cas, les métaconnaissances sont estimées à partir de matrices de confusion. Les fonctions de croyance corrigées sont des fonctions catégoriques définies à partir des décisions fournies par les classifieurs. In this paper, we are interested in the correction of belief functions, and more particularly the estimation of meta-knowledge needed for making these corrections. The meta-knowledge allow us to define the state in which the source is (for example : relevant or not, truthful or not). With these meta-knowledge, we can thus correct belief function initially given by the information source. Our application concerns the fusion of classifiers. So in our case, the meta-knowledge are estimated from confusion matrices. The corrected belief functions are categorical functions defined from the decisions induced from classifiers.
Le problème de prédiction de liens constitue un domaine de recherche important traité dans l'analyse des réseaux sociaux. Il consiste à deviner les liens qui apparaîtront dans le réseau en se basant sur son état actuel. Plusieurs méthodes ont été proposées pour faire face à ce problème mais la plupart d'entre elles le traitent dans un cadre certain. En effet, les données des réseaux sociaux sont souvent incomplètes et bruitées, par conséquent il est nécessaire de gérer l'incertitude lors de la prédiction. Nous examinons dans ce papier, le problème de prédiction de liens dans un cadre incertain en utilisant la théorie des fonctions de croyance. D'abord, nous présentons un nouveau modèle graphique pour les réseaux sociaux qui encapsule les incertitudes dans la structure des liens. Ensuite, nous proposons une nouvelle approche pour la prédiction des futurs liens via la fusion d'information des nœuds voisins.