Apprentissage de corrections contextuelles crédibilistes à partir de données partiellement étiquetées en utilisant la fonction de contour

Dans ce papier, nous proposons d'apprendre les paramètres de mécanismes de corrections contextuelles crédibilistes à partir de données d'apprentissage partiellement étiquetées, c'est-à-dire de données où la vraie classe de chaque objet n'est connue que partiellement, en optimisant une mesure de différence entre les valeurs de la fonction de contour corrigée et la vérité terrain également représentée par une fonction de contour. Les avantages de cette méthode sont illustrés par des tests sur des données synthétiques et réelles.