Estimation de sincérité et pertinence a partir de matrices de confusion pour la correction de fonctions de croyance
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.
