votes et fonctions de croyance pour la fusion de …ensieta arnaud martin 2007 © votes et fonctions...
TRANSCRIPT
![Page 1: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/1.jpg)
1Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Votes et fonctions de croyance pour la fusion de décisions
Arnaud MARTINENSIETA – E3I2 - [email protected]
![Page 2: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/2.jpg)
2Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Plan• Qu’est-ce que la fusion ?• Généralités• Méthodes des votes• Théorie des fonctions de croyance
![Page 3: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/3.jpg)
3Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Plan• Qu’est-ce que la fusion ?• Généralités• Méthodes des votes• Théorie des fonctions de croyance
![Page 4: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/4.jpg)
4Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Airbus A320 en x,y
Mauvaise météo
Proposition incertaine
Bonne météo
Proposition sûre, certaine
Incertitude linguistique
![Page 5: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/5.jpg)
5Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Le trafic est dense au péage autoroutier
Imprécision linguistique
Proposition imprécise
![Page 6: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/6.jpg)
6Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Dix voitures attendent au péage
Proposition précise
Imprécision linguistique
![Page 7: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/7.jpg)
7Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Buts de la fusion ?
Obtenir une information aussi sûre et préciseque possible dans toutes les conditions d’observation en profitant de la complémentarité et de la redondanced’informations élémentaires lesquelles ne sont ni complètement fiables ni totalement précises
![Page 8: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/8.jpg)
8Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Supposons que l’ensemble des classifieurs est totalement sûre et précis
Objectifs de la fusion
C’est un A380
C’est un A380
C’est un A380
C’est un A380
FUSION
![Page 9: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/9.jpg)
9Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Objectifs de la fusion de données
Une seule source est suffisante
C’est un A380
![Page 10: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/10.jpg)
10Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Objectifs de la fusion de donnéesSi l’ensemble des sources n’est ni totalement sûr et précis
C’est un A380
FUSION
Nécessité de développer des techniques adaptées
C’est un hélicoptère
C’est un avion de chasse
C’est un A380
C’est un A380
![Page 11: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/11.jpg)
11Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Fiabilité des sources : cotation de l’information
A
B
A se trompe souvent B ne se trompe jamais
C’est peut être un A380
C’est peut être un A380
Je suis sûr que c’est un avion de chasse
![Page 12: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/12.jpg)
12Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Exemple de fusion
Fusion de ClassifieursSoit C1,…, Cm, m classifieurs qui caractérisent n avions. Pour un même signal ou des signaux différents (optique, radar, ..) chaque classifieurdécide du type d’avion.But : obtenir une décision plus sûre et plus précise du type d’avion en considérant l’ensemble des décisions prises au niveau de chaque classifieur
Fusion haut niveau
![Page 13: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/13.jpg)
13Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Exemple de fusion
Fusion de Classifieurs
Fusion de décisionsFusion de caractéristiques
Images satellitaires
Classif1
Fusion caractéristiques
Fusion de décisions
ClassificationFusion de
classifieurs
Ck1
Ck3
Ck2
ak1
ak3
ak2
Extraction 1
Classif2
Classif3
Classif4
Ck4
ak4
Extraction 2
Extraction 3
Extraction 4
Images optiques
ExtractionCapteurs
![Page 14: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/14.jpg)
14Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Exemple de fusion
• Comment combiner les informations dans les deux cas ?• Comment prendre la décision ?
Sous problème dépendant de l’application• Comment modéliser l’information ?i.e. choix d’un formalisme• Comment estimer les paramètres du modèle
Problèmes
![Page 15: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/15.jpg)
15Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Plan• Qu’est-ce que la fusion ?• Généralités• Méthodes des votes• Théorie des fonctions de croyance • Classification multistratégies
![Page 16: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/16.jpg)
16Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Plan : Généralités• Définitions de la fusion d’informations• Domaines d’application• Typologie de l’information• Architecture de fusion• Modèles de fusion
![Page 17: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/17.jpg)
17Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Définitions de la fusion d’informations
Fusionner : regrouper, combiner des informationsInformations : tout élément pouvant être codéDéf. 1 (groupe de travail FUSION) : regrouperdes informations issues de plusieurs sourcesd’informations et exploiter l’information regroupéeDéf. 2 (GDR-ISIS) : combiner des informations issues de plusieurs sources afin d’améliorer la prise de décision
![Page 18: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/18.jpg)
18Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Définitions 2/2
Problèmes : les imperfections des données– les supprimer– les tolérer en robustifiant les algorithmes– les modéliser
Problématiques
![Page 19: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/19.jpg)
19Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Domaines d’application
• Fusion en traitement du signal• Fusion en traitement de l’image• Fusion en robotiqueButs• Pour reconnaissance (classification, identification, détection)• Estimation • Association
![Page 20: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/20.jpg)
20Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Typologie de l’information• Type d’information• Niveaux de fusion• Les sources d’information• Imperfections des données• Informations supplémentaires
![Page 21: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/21.jpg)
21Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Typologie 2/9
• Numérique Sous forme de nombres (quantitatif et qualitatif)ex niveaux de gris, intensité du signal, temps d’arrivées…
• SymboliqueSous forme de symboles, propositions, taxonomie, règles d’associations ex règles d’associations (si ça vole, c’est un avion), propositions (ce qui est grand n’est pas petit), taxonomie (le chat est un mammifère), …
Type d’information
![Page 22: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/22.jpg)
22Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• Fusion de données• Fusion de caractéristiques• Fusion de décisions• Fusion de modèles
Niveaux de fusion Typologie 3/9
![Page 23: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/23.jpg)
23Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Données (signal, informations, etc..)
Caractéristiques (images, formes, etc..)
Décisions (numériques, symboliques)
Extraction d’informations
FUSION de données, de caractéristiques, de décisions
Différentes sources
Sélection, transformation (Analyse de données)
Classification, Détection, Identification, Reconnaissance
Niveaux de fusion Typologie 4/9
![Page 24: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/24.jpg)
24Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• Indépendances (hypothèse souvent faite)– Indépendance statistique– Indépendance cognitive
• Fiabilité (souvent difficile à quantifiée)– Fiabilité de la source à donner une information sûre– Fiabilité de la source à donner une information
• Informations influant sur le choix de la modélisation des informations à fusionner
Sources d’information Typologie 5/9
![Page 25: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/25.jpg)
25Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• IncertitudeCaractérise le degré de conformité à la réalité. Ex : cette lettre arrivera demain
• ImprécisionCaractérise le contenu de l’information (défaut quantitatif de connaissance). Ex : cet homme est grand
Incertaine et imprécise : il pleuvra beaucoup demain
• IncomplétudeManque d’informations apporté par la source. Ex : données manquantes dues à la transmissions
Imperfections des données Typologie 6/9
![Page 26: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/26.jpg)
26Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• RedondanceLes sources apportent plusieurs fois les mêmes informations. Ex : observations vidéo d’un même objet
• ComplémentaritéLes sources apportent des informations sur des grandeurs différentes (caractéristiques différentes). Ex :
– informations I.R et informations visibles– informations GPS et informations visibles
• ConflitLes sources fournissent des informations en contradictionDifficile à détecter
Typologie 7/9Imperfections des données
![Page 27: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/27.jpg)
27Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• AmbiguïtéUne information conduit à 2 interprétations (peut provenir d’une autre imperfection : incertitude, imprécision, conflit). Ex : forme d’un avion trop proche d’un autre ne permet pas de l’identifier
Typologie 8/9Imperfections des données
![Page 28: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/28.jpg)
28Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• Sur les informations à combiner :sur les sources : sur leur dépendance, leur fiabilité, des préférences sur les informations à combiner
• Sur le domaine
• Pas toujours dans le même formalisme que les informations à combiner• Peuvent aider dans les différentes étapes de la fusion
Informations supplémentaires Typologie 9/9
![Page 29: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/29.jpg)
29Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Architecture de fusionPosition du problème
m sources S1, S2,…, Sm qui doivent prendre une décision sur une observation x dans un ensemble de n classes x∈ C1, C2,…, ou Cn classes
1
1 1 11 1
1
1
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
i n
i n
j j jj i n
m m mm i n
C C C
S M x M x M x
S M x M x M x
S M x M x M x
⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
… …
… …
… …
… …
![Page 30: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/30.jpg)
30Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Architecture de fusion 2/9
1
1 1 11 1
1
1
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
i n
i n
j j jj i n
m m mm i n
C C CS M x M x M x
S M x M x M x
S M x M x M x
⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
… …
… …
… …
… …
Fusion
La classe
![Page 31: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/31.jpg)
31Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Architecture de fusion 3/9
1
1 1 11 1
1
1
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
i n
i n
j j jj i n
m m mm i n
C C CS M x M x M x
S M x M x M x
S M x M x M x
⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
… …
… …
… …
… …
FusionLa classe
4
1
6
C
C
C
![Page 32: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/32.jpg)
32Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Architecture de fusion 4/9
1
1 1 11 1
1
1
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
i n
i n
j j jj i n
m m mm i n
C C CS M x M x M x
S M x M x M x
S M x M x M x
⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
… …
… …
… …
… …
Fusion
La classe
1 i nM M M… …
![Page 33: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/33.jpg)
33Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Architecture de fusion 5/9
1. Modélisation2. Estimation3. Combinaison4. Décision
Étapes de la fusion
![Page 34: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/34.jpg)
34Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Architecture de fusion 6/9
• Étape déterminante• Choix du formalisme (représentation des informations à fusionner)• Informations supplémentaires peuvent guider ce choix• Exemple
Chaque source Sj fournit une information représentée par Mi
j sur la classe Ci
Mij peut être une distribution, une formule, fonction de
coût, etc…
Modélisation
![Page 35: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/35.jpg)
35Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Architecture de fusion 7/9
• Phase souvent nécessaire dépend de la modélisation (du formalisme)• Par exemple pour l’estimation des distributions, ou de la fiabilité des sources
• Informations supplémentaires peuvent aider
Estimation
![Page 36: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/36.jpg)
36Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Architecture de fusion 8/9
• Phase de regroupement des informations• Choix d’un opérateur adapté au formalisme de la modélisation• Donne un résultat de même nature que les informations combinées• Propriétés intéressantes
associativité, commutativité, idempotence, adaptativité• Propriétés limitatives
additivité• Informations supplémentaires peuvent aider
Combinaison
![Page 37: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/37.jpg)
37Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Architecture de fusion 9/9
• Dernière phase de la fusion• Passage des informations fournies par les sources àla décision finale• Choix du critère en fonction du formalisme• Minimisation ou maximisation d’une fonction issue de la combinaison
• Fournit à l’expert la meilleure décision (avec un indice de qualité)
Décision
![Page 38: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/38.jpg)
38Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Les modèles de fusionReprésentations numériques
– Méthodes de votesfonctions indicatrices
– Approche bayésienne (probabiliste et statistique) probabilités d’évènements (fréquences)
– Théorie des ensembles floues et des possibilitésnécessité et possibilité
– Théorie des croyances (Dempster-Shafer)plausibilité et croyance
![Page 39: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/39.jpg)
39Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Plan• Qu’est-ce que la fusion ?• Généralités• Méthodes des votes• Théorie des fonctions de croyance
![Page 40: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/40.jpg)
40Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Méthodes de voteApproche simple et intuitive
Caractéristiques de cette approche• Peut s’appliquer sans a priori• Ajout de fiabilité possible (moyennant apprentissage)• Plus adaptée pour la fusion haut niveau (de décisions)
![Page 41: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/41.jpg)
41Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Exemple Méthodes de vote
Mettons nous à la place d’un juge d’instruction E qui instruit un crime récent. Bien que dépourvu de tout indice matériel, le juge a cependant la chance de disposer de n témoins oculaires indépendants (T1, T2, …, Tn). L’accusé x peut être coupable, innocent ou complice des faits qui lui sont reprochés. Nous noterons ces trois classes respectivement par C1, C2 et C3. Dans le cas où le juge ne peut prendre de décision, nous noterons que xappartient à la classe C4.• Supposons que n=15, 5 témoins accusent x d’être coupable, 6 disent qu’il est innocent, et 4 qu’il est complice. • Si 6 disent qu’il est coupable, 6 disent qu’il est innocent, et 3 qu’il est complice.
![Page 42: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/42.jpg)
42Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Exemple Méthodes de vote
Parmi les 15 témoins oculaires, un témoin est policier. Les policiers étant assermentés, le juge a une confiance absolue en son témoignage. Les 14 autres témoins sont des voyous, tous aux casiers judiciaires bien remplis. Ces 14 témoins fournissent à l’accusé un alibi, tandis que le policier accuse x. Attention un témoin peut ne pas être fiable, mais dire vrai (cas d’un témoin bandit qui dit la vérité).
Le juge va donc attribuer un degré de fiabilité différent à chaque témoin.
![Page 43: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/43.jpg)
43Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Modélisation : fonction indicatrice :
Estimation : fiabilité d’une source pour une classe donnée
Combinaison :
Décision :
1 si :( )
0 sinonj ij
iS x C
M x∈⎧⎪= ⎨
⎪⎩
jkα
1
( ) ( )m
E jk jk i
j
M x M xα=
=∑
1
si ( ) max ( ) . ( )sinon i.e. non décision
E Ek k i i
n
x C M x M x c m b xx C +
∈ = ≥ +
∈
[ ]0,1 , ( ) fonction de ( )Ekc b x M x∈
4 étapes Méthodes de vote
![Page 44: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/44.jpg)
44Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Résultat Méthodes de vote
Hypothèse : indépendance statistique des sources
Même probabilité de réussite p
Et m impair >2
Alors :• Si p>0.5, PE tend vers 1 avec m
• Si p<0.5, PE tend vers 0 avec m
• Si p=0.5, PE=0.5 pour tout m
où PE est la proba d’une réponse juste après fusion
![Page 45: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/45.jpg)
45Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Exemple de fusion
Fusion de Classifieurs
Fusion de décisions
Images radar
Classif1
Fusion de décisions
ClassificationFusion de
classifieurs
Ck1
Ck3
Ck2
Extraction 1
Classif2
Classif3
Classif4
Ck4
Extraction 2
Extraction 3
Extraction 4
Images optiques
ExtractionCapteurs
![Page 46: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/46.jpg)
46Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• Mij (x) est la réponse du classifieur j pour
l’observation x : 0 si x n’appartient pas à la classe i, 1 sinon
• La fiabilité d’une source pour une classe donnée peut être estimée à partir des matrices de confusion de chaque classifieur
Fusion de classifieurs Méthodes de vote
![Page 47: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/47.jpg)
47Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• Cas de la classification non supervisée : chaque classifieur s’exprime sur un cadre de discernement différent
• Nécessité de mettre en correspondance (association) les réponses des classifieurs avant de les combiner
Fusion de classifieursNon supervisés
Méthodes de vote
Gan
çars
kiet
Wem
mer
t, 20
02
![Page 48: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/48.jpg)
48Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• Association : mesure de similarité entre les classifieurs Si et Sj à partir des
Si dit Ck et Sj dit Cl
• Similarité entre classes :
• Fonction de correspondance
• Vote sur les classes raffinées correspondantes
Fusion de classifieursGancarski et Wemmert 2002
Méthodes de vote
![Page 49: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/49.jpg)
49Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• Problème de conflit si
pour beaucoup de classes
• Définition d’une mesure de concordance et qualité locale entre deux classifieurs avec l’introduction d’informations données par l’expert (somme pondérée de la mesure de similarité et d’un critère de qualité)
Fusion de classifieursGancarski et Wemmert 2005
Méthodes de vote
![Page 50: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/50.jpg)
50Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• Problème pour les classes empiétantes
• Le raffinement des classes se fait uniquement sur les classes existantes. Une classe d’un classifieur est associée à une unique autre classe raffinée
• Mesure de similarité symétrique (2002)
Si une classe A en contient parfaitement 2 autres B et C, F(B)=A et F(C)=A, n'entraînent pas F(A)=B et F(A)=C
Fusion de classifieursGancarski et Wemmert 2002, 2005
Méthodes de vote
![Page 51: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/51.jpg)
51Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Plan• Qu’est-ce que la fusion ?• Généralités• Méthodes des votes• Théorie des fonctions de croyance
![Page 52: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/52.jpg)
52Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Théorie des fonctions de croyance
Théorie de Dempster-ShaferThéorie de l’évidence
![Page 53: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/53.jpg)
53Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Plan
• Limites bayésiennes• Principes• Modélisation• Estimation• Combinaison• Décision• Exemple pour l’association de classes• Réflexions
![Page 54: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/54.jpg)
54Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Limites bayésiennes• Représente mal l’imprécision (confusion de l’incertain et de l’imprécision)• Modélisation : difficile de modéliser des connaissances qui ne se traduisent pas par des probabilités, ou l’absence de connaissances (ex : Sirius) • Contraintes sur mesures (probabilités, additivité) et sur les classes (exhaustivité et exclusivité)
![Page 55: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/55.jpg)
55Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Exemple de Smets : domaine diagnostique médicalSi un symptôme s est toujours présent quand un patient a une pathologie A (p(s/A)=1), et que l’on observe ce symptôme s, alors la probabilité pour que le patient ait A augmente (car p(A/s)=p(A)/p(s) donc p(A/s)>=p(A)). La contrainte d’additivité impose alors que la probabilitépour que le patient n’ait pas A diminue :p(nonA/s)=1-p(A/s) donc p(nonA/s)<=p(nonA)Alors qu’il n’y a pas de raison, si le symptôme s peut aussi être observé dans d’autres pathologies.
LimitesAdditivité
![Page 56: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/56.jpg)
56Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• Optimale lorsque l’a priori est parfaitement connu (jamais le cas en pratique)• Base mathématique solide• Outils riches et rigoureux pour la modélisation et l’apprentissage (connaissance acquise par de nombreuses expériences)• Combinaison permettant la mise à jour • Hypothèse d’indépendance pas obligatoire
LimitesConclusions sur approches bayésiennes
![Page 57: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/57.jpg)
57Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• Principe repose sur la manipulation de fonctions sur des sous-ensembles (au lieu de singleton dans la théorie des probabilités) à valeur dans [0,1]• Espace de discernement ={C1, C2, …, Cn} oùCi représente une hypothèse• On va définir des fonctions sur l’espace
={Ø, {C1}, {C2}, …, {Cn}, {C1,C2}, …, }ensemble de toutes les disjonctions possibles des hypothèses
Principe générale de la théorie des fonctions de croyance
![Page 58: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/58.jpg)
58Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Principe
Extension récente des fonctions sur l’espace
ensemble de toutes les disjonctions et conjonctions possibles des hypothèses
Intérêt : Exemple d’une route inondée
S1 dit Rivière et S2 dit Route
Les 2 classifieurs n’ont pas tords
Extension de la DSmT à .
![Page 59: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/59.jpg)
59Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
ModélisationDéfinition de fonctions qui permettent de représenter l’imprécision et l’incertitude
– Fonctions de masse m– Fonction de crédibilité Cr– Fonction de plausibilité Pl– Fonction de communalité Q et Fonction d’implicabilité b
![Page 60: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/60.jpg)
60Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Modélisation 2/12
masse élémentaire ou masse de croyance définie sur à valeur dans [0,1] pour une source Sj
On impose en général
mj(Ø)=0 (hypothèse de monde clos, fermé)mj(A) caractérise un degré de croyance en AUn élément focal est un élément A de tel que mj(A)>0. La réunion des éléments focaux est le noyau
Fonctions de masse
1)( =∑⊆DA
j Am
![Page 61: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/61.jpg)
61Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Modélisation 3/12Cas particulier• Si les seuls éléments focaux sont les Ci alors m est une probabilité• mj( )=1 : ignorance totale de Sj
• mj(A)=1 : Sj a une connaissance imprécise (elle ne croit qu’en A : réunion de classes)• mj(Ci)=1 : Sj a une connaissance précise (elle croit pleinement en Ci)• mj(A)=s et mj( )=1-s : Sj a une connaissance incertaine et imprécise (elle croit en partie en A mais rien de plus)
Fonctions de masse
![Page 62: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/62.jpg)
62Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Modélisation 4/12
Regroupe les masses des éléments inclusDegré de croyancePour tout A de
et Crj( )=1- mj(Ø) (=1 en monde fermé)
Fonction croissante de sur [0,1]Cr(A1,A2,A3)>=Cr(A1)+Cr(A2)+Cr(A3)-Cr(A1 et A2) – Cr(A1 et A3) – Cr(A2 et A3)+ Cr(A1 et A2 et A3)
Fonctions de crédibilité
∑≠⊆
=Ø,
)()(BAB
jj BmACr
![Page 63: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/63.jpg)
63Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Modélisation 5/12
• Ces fonctions mesurent toute la croyance sur Ai.e. l’intensité que les informations fournies par Sjsoutiennent la proposition A (croyance minimum)• Avoir mj(A)=0 ne signifie pas que A est impossible (si Crj(A)>0), mais qu’on ne sait pas affecter un degré précisément à A• On a aussi pour tout A de
Fonctions de crédibilité
)()1()( ∑⊆
−−=AB
jBA
j ACrAm
![Page 64: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/64.jpg)
64Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Modélisation 6/12
• Regroupe les masses des éléments intersectés • Pour tout A de
(=1-Crj(Ac) en monde fermé)• Mesure l’intensité avec laquelle on trouve Aplausible, i.e. avec laquelle on ne doute pas de la proposition A. C’est aussi la croyance maximum en A.
Fonctions de plausibilité
Ø
( ) ( ) ( ) ( )cj j j j
B A
Pl A m B Cr Cr A∩ ≠
= = Θ −∑
![Page 65: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/65.jpg)
65Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Modélisation 7/12
Crj(A1)
Propriétés
Plj(A1)
A1
A2
A4
A6
A5
A3
A7 A8
A1
A2
A4
A6
A5
A3
A7 A8
0 11/2
Crj(A)
Crj(Ac)Plj(A)
Plj(Ac)
![Page 66: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/66.jpg)
66Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Modélisation 8/12
Pour tout A de on a :•en monde fermé :•
•
•
Propriétés
)()( ACrAPl jj ≥
1)()( ≤+ cjj ACrACr
1)()( ≥+ cjj APlAPl
)()(1)()( APlACrACrACr jjc
jj =⇔=+
![Page 67: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/67.jpg)
67Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Modélisation 9/12
Fonctions à des fins calculatoires de à valeurs dans [0,1]Fonction de communalité
Fonction d’implicabilité
Fonctions de communalitéFonctions d’implicabilité
)()Ø()()( ∑⊆
=+=AB
jjjj BmmACrAb
,
( ) ( )j jB D B A
Q A m B⊆ ⊇
= ∑
![Page 68: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/68.jpg)
68Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Affaiblissement
Modélisation de la fiabilitém’j(A)=αj mj(A) pour tout A ≠m’j( )=1- αj(1- mj( ))αj∈[0,1] coefficient d’affaiblissement modélise la fiabilité de la source Sj (αj=0 source pas fiable du tout, toute la masse est affectée à ce qui représente l’ignorance totale)
On augmente les intervalles [Crj,Plj] (et réduit le conflit lors de la phase de combinaison)
Modélisation 10/12
![Page 69: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/69.jpg)
69Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Conditionnement
Pour tenir compte d’une information sûreSi A de est toujours vérifiée, pour tout B de :
ou encore
Modélisation 11/12
( | ) ( ) / ( )j j jC A B C A
m B A m C m C∪ = ∪ ≠∅
= ∑ ∑
( )( | )
( )j
jj
Pl B APl B A
Pl A∩
=
![Page 70: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/70.jpg)
70Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
RaffinementGrossissement
Pour des cadres de discernement différents, mais compatiblesEx : = {avion, hélicoptère, missile} et
={Rafale, Mirage, …, Puma, Gazelle, …, Crotale, Mistral,…}Cas des classes incluses de classifieurs non supervisésR : fonction de raffinement, pour tout A de m2(R(A))=m1(A)
Grossissement R-1
Modélisation 12/12
![Page 71: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/71.jpg)
71Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
EstimationProblème : estimer les fonctions de masseLe choix de la fonction de masse relève de la modélisation et de l’application• Fonction à support simple• Fonction sur les singletons• Méthodes fondées sur les modèles probabilistes• Méthodes fondées sur les modèles de distances
![Page 72: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/72.jpg)
72Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Estimation 2/12
Toute la masse de la source Sj porte sur un sous-ensemble non vide A de et sur l’ensemble de discernement (connaissance incertaine et imprécise)mj(A)=smj( )=1-s s∈[0,1]mj(B)=0 pour tout B≠A, B≠Si s=0, alors mj( )=1 ceci représente l’ignorance totale
Fonction à support simple
![Page 73: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/73.jpg)
73Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Estimation 3/12
La fonction de masse d’une source Sj est définie sur les singletons uniquementmj({Ci})(x)= Mi
j(x)mj(A)=0 si A∉{{C1}, {C2},…, {Cn}}Mi
j(x) peut être estimée comme une probabilité• Approche très réductrice, n’utilise pas les propriétés des fonctions de masse• Beaucoup partent de ces fonctions, puis répartissent les masses sur les hypothèses composées
Fonction sur les singletons
![Page 74: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/74.jpg)
74Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Estimation 4/12Modèles probabilistes
• Ces modèles nécessitent l’estimation de p(fj(x)|x∈Ci) que l’on notera p(Sj | Ci) • 2 modèles proposés par Appriou
Idée : étendre le modèle sur singletons à l’aide des fonctions simples et en intégrant un coefficient de fiabilité (affaiblissement) de la source pour une classe donnée αij
• 1 modèle proposé par Dromigny-BadinIdée : étendre le modèle sur singletons en comparant les probabilités p(Sj | Ci)
![Page 75: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/75.jpg)
75Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Estimation 5/12
2 modèles reposent sur 2 axiomes1. Les n*m couples [Mi
j,αij] sont des sources d’information distinctes dont les éléments focaux sont {Ci}, {Ci}c et . 2. Si Mi
j=0 et Mij est valide (αij=1) alors il est certain
que Ci n’est pas vérifiée.
• 1. implique le calcul de mji fonctions de masse à partir
des n*m couples [Mij,αij]
• 2. limite le nombre de fonctions de masse à 2 types
Modèles probabilistes Appriou
![Page 76: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/76.jpg)
76Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Estimation 6/12
L’axiome 2 entraîne 2 modèles : Modèle 1 : mj
i ({Ci})(x)= Mij
mji ({Ci}c)(x)=1- Mi
j
Modèle 2 : mji ( )(x)= Mi
j
mji ({Ci}c)(x)=1- Mi
j
Ajout de αij sous forme d’affaiblissementModèle 1 : mj
i ({Ci})(x)= αij Mij
mji ({Ci}c)(x)= αij (1- Mi
j)mj
i ( )(x)= 1- αij
Modèle 2 : mji ({Ci})(x)= 0
mji ({Ci}c)(x)= αij ( 1- Mi
j)mj
i ( )(x)= 1-αij ( 1- Mij)
Modèles probabilistes Appriou
![Page 77: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/77.jpg)
77Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Estimation 7/12
Comment déterminer Mij ?
(Connaissant la règle de combinaison)3ème axiome :
3. Conformité avec l’approche bayésienne (cas oùp(Sj|Ci) représente parfaitement la réalité (αij =1pour tout i, j) et toutes les probabilités a priorip({Ci}) sont disponibles)
Les sources Sj étant indépendantes, les résultats doivent être les mêmes si l’on calcule individuellement p(Sj | Ci) ou directement la probabilité conjointe p(S1,…, Sm | Ci)
Modèles probabilistes Appriou
![Page 78: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/78.jpg)
78Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Estimation 8/12
Modèle 1 :
avec Rj facteur de normalisation tel que Rj≥0
Modèle 2 : Mij=Rj p(Sj | Ci)
avec Rj∈[0, ]
( | )1 ( | )
j j iji
j j i
R p S CM
R p S C=
+
1, )))/(((max −
ijis Cspj
Modèles probabilistes Appriou
![Page 79: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/79.jpg)
79Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Estimation 9/12
On obtient les fonctions de masse Modèle 1 :
mji ( )(x)= 1- αij
avec Rj≥0
{ }( ) ( | )( )
1 ( | )ij j j ii
j ij j i
R p S Cm C x
R p S Cα
=+
{ }( ) ( )1 ( | )
c ijij i
j j i
m C xR p S C
α=
+
Modèles probabilistes Appriou
![Page 80: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/80.jpg)
80Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Estimation 10/12
Modèle 2 :mj
i ({Ci})(x)= 0mj
i ({Ci}c)(x)= αij ( 1- Rj p(Sj | Ci) )mj
i ( )(x)= 1-αij ( 1- Rj p(Sj | Ci) )avec Rj∈[0, ]• αij : coefficient d’affaiblissement fixé proche de 1 et p(Sj/Ci) peut être estimé à partir des matrices de confusion• Adaptés aux cas où l’on apprend une classe contre toutes les autres
1, )))/(((max −
ijis Cspj
AppriouModèles probabilistes
![Page 81: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/81.jpg)
81Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Estimation 11/12Modèles de distance
Cas où {Ci} et sont les seuls éléments focaux, on suppose connu xi un prototype (centre) de {Ci}mj
i ({Ci})(x)= αij exp[-γij d2(x, xi)]mj
i ( )(x)= 1-αij exp[-γij d2(x, xi)]• 0<αij<1 est un coefficient d’affaiblissement et γij>0, ce sont des paramètres pour jouer sur la quantitéd’ignorance et de la forme des fonctions de masse• La distance permet d’affecter une masse à x plus importante en fonction de sa ressemblance à {Ci}
Denœux
![Page 82: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/82.jpg)
82Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Estimation 12/12Appriou vs Denœux
• Appriou : apprentissage de p(Sj/Ci) • Denœux : choix de la distance d(x, xi)
• p(Sj/Ci) plus facile à estimer sur les décisions des classifieurs par la matrice de confusion• d(x, xi) plus facile à choisir sur les sorties numériques des classifieurs (ex : distance euclidienne)
![Page 83: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/83.jpg)
83Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Exemple de fusion
Fusion de Classifieurs
Fusion de décisionsFusion de caractéristiques
Images radar
Classif1
Fusion caractéristiques
Fusion de décisions
ClassificationFusion de
classifieurs
Ck1
Ck3
Ck2
ak1
ak3
ak2
Extraction 1
Classif2
Classif3
Classif4
Ck4
ak4
Extraction 2
Extraction 3
Extraction 4
Images optiques
ExtractionCapteurs
Denœux
Appriou
![Page 84: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/84.jpg)
84Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Fusion de classifieurs
1
1 1 11 1
1
1
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
i n
i n
j j jj i n
m m mm i n
C C CS m x m x m x
S m x m x m x
S m x m x m x
⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
… …
… …
… …
… …
FusionLa classe
1
j
m
m
m
m
![Page 85: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/85.jpg)
85Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Fusion de classifieurs
1
1 1 11 1
1
1
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
i n
i n
j j jj i n
m m mm i n
C C CS m x m x m x
S m x m x m x
S m x m x m x
⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
… …
… …
… …
… …
Fusion
La classe
1 i nm m m… …
![Page 86: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/86.jpg)
86Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Fusion de classifieurs
1
1 1 11 1
1
1
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
i n
i n
j j jj i n
m m mm i n
C C CS m x m x m x
S m x m x m x
S m x m x m x
⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
… …
… …
… …
… …
Décision
La classe
m
Combinaison
![Page 87: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/87.jpg)
87Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Combinaison
• Combinaison conjonctive (intersection)• Combinaison disjonctive (union)• Combinaison mixte
![Page 88: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/88.jpg)
88Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Règle orthogonale de Dempster - Shafer pour Ade
Permet de synthétiser toutes les fonctions de masses mj
i
S’écrit simplement avec les fonctions de communalité
Combinaison 2/15Conjonctive
∑ ∏= =
=⊕⊕⊕=ABBB
m
jjjm
m
BmAmmmAm∩∩∩ ... 1
2121
)())(...()(
![Page 89: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/89.jpg)
89Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• La combinaison de 2 experts est donnée par :
• Exemple
• Problème : masse non nulle sur l’ensemble vide– en monde ouvert : représente une solution non prévue
– en monde fermé : pas acceptable
Combinaison 3/15Conjonctive
![Page 90: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/90.jpg)
90Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Combinaison 4/15
si A ≠ Ø
et m(Ø)=0avec
k est une mesure de conflit entre les sources (dépend de la modélisation) (ou encore inconsistance de la fusion)
Conjonctive Normalisation
k
BmAm ABBB
m
jjj
m
−=
∑ ∏= =
1
)()( ... 121 ∩∩∩
1)(Ø... 121
<= ∑ ∏= =mBBB
m
jjj Bmk
∩∩∩
![Page 91: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/91.jpg)
91Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Combinaison 5/15
Origines du conflit– Les sources ne sont pas fiables. L’information est erronée et peut conduire à une ambiguïté– Le cadre de discernement est non exhaustif. Hypothèse d’un monde fermé fausse– Les sources observent des phénomènes différents. Dans ce cas il ne faut pas les combiner
Problème : la normalisation masque le conflit (Exemple de Zadeh)
Conjonctive Conflit
![Page 92: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/92.jpg)
92Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Combinaison 6/15
Exemple de Zadeh
Conjonctive Conflit
Toute la masse est sur C seul élément où les 2 sources sont d’accord.Problème la normalisation masque le conflitIntéressant si monde fermé sans conflit
![Page 93: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/93.jpg)
93Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Combinaison 7/15
TBF (Transferable Belief Functions) en monde ouvert
k est affecté à l’ensemble vide
Conjonctive
∑ ∏
∑ ∏
= =
≠= =
=
=
Ø... 1
Ø... 1
21
21
)()Ø(
)()(
m
m
BBB
m
jjj
ABBB
m
jjj
Bmm
BmAm
∩∩∩
∩∩∩
Smets
![Page 94: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/94.jpg)
94Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Combinaison 8/15
Yager propose un modèle en monde fermé où la mesure de conflit est affectée au cadre de discernement total
Calcul de m( ) :
puis la modifie
Conjonctive
∑ ∏≠= =
=Ø... 121
)()(ABBB
m
jjj
m
BmAm∩∩∩
Yager
1 2 ... Ø 1
( ) ( ) ( )m
m
j jB B B j
m m m B= =
Θ = Θ + ∑ ∏∩ ∩ ∩
1 2 ... Ø 1
( ) 1 ( )m
m
j jA D B B B A j
m m B⊆ = ≠ =
Θ = − ∑ ∑ ∏∩ ∩ ∩
![Page 95: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/95.jpg)
95Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Combinaison 9/15
La technique du hedging consiste a ajouter un élément inconnu e au cadre de discernement i.e. que l’on suppose que le conflit vient du manque d’exhaustivité
Conjonctive
1 2 ... Ø 1
( ) ( )m
m
j jB B B A j
m A e m B= ≠ =
∪ = ∑ ∏∩ ∩ ∩
hedging
∑ ∏= =
=Ø... 121
)()(mBBB
m
jjj Bmem
∩∩∩
![Page 96: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/96.jpg)
96Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Combinaison 10/15
• La règle de combinaison de Dempster (normalisée ou non) est commutative et associative• La fonction de masse définie par m0( )=1 et m0(A)=0 pour tout A ⊆ et A ≠est l’élément neutre de la combinaison• Règle applicable sous l’hypothèse d’indépendance cognitive des sources
Conjonctive Propriétés
![Page 97: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/97.jpg)
97Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Combinaison 11/15
• La loi ⊕ n’est pas idempotente
Conjonctive Propriétés
Le conflit de deux sources identiques est non nul !Auto-conflit
![Page 98: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/98.jpg)
98Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• Réduit l’imprécision et l’ambiguïtéExemple 1 :
Résout l’ambiguïté et réduit l’imprécisionExemple 2 :
Ambiguïté partiellement réduit
Combinaison 12/15Conjonctive Propriétés
![Page 99: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/99.jpg)
99Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Combinaison 13/15
• Perte du conflit • Élargit les éléments focaux donc perte de spécificité
Intéressant si on ne sait pas modéliser les fiabilités des sources, leurs ambiguïtés et imprécisions.
Disjonctive
∑ ∏= =
=ABBB
m
jjj
m
BmAm∪∪∪ ... 121
)()(
![Page 100: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/100.jpg)
100Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Combinaison 14/15
Compromis des approches conjonctives et disjonctives
Répartition fine du conflit
Mixte
∑ ∏∑ ∏== == =
+=
Ø...... 1... 1
212121
)()()(
mmm
BBBABBB
m
jjj
ABBB
m
jjj BmBmAm
∩∩∩∪∪∪∩∩∩
Dubois et Prade
![Page 101: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/101.jpg)
101Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Combinaison 15/15
Combinaison conjonctive
en redistribuant le conflit sur les singletons
on ajoute :
m12(A)m2(B)/(m1(A)+m2(B)) à m(A) et
m1(A)m22(B)/(m1(A)+m2(B)) à m(B)
Mixte Martin et Osswald
![Page 102: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/102.jpg)
102Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Décision
• Maximum de plausibilité• Maximum de crédibilité• Maximum de crédibilité avec rejet• Maximum de probabilité pignistique
![Page 103: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/103.jpg)
103Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Décision 2/5
x∈Ci si Pl({Ci})(x)=max{Pl({Ck})(x), 1 ≤ k ≤ n}
Optimal pour des fonctions de masses dérivées de probabilité (cohérent avec le maximum de probabilité a posteriori)Problème : manque parfois de pouvoir discriminant (trop optimiste)
Maximum de plausibilité
![Page 104: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/104.jpg)
104Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Décision 3/5
x∈Ci si Cr({Ci})(x)=max{Cr({Ck})(x), 1 ≤ k ≤ n}
Identique au critère du maximum de plausibilitédans le cas où le résultat de la combinaison ne porte que sur des singletons (les éléments focaux ne sont pas nécessairement réduits aux singletons dans ce cas)Plus sélective, pessimisteProblème : utilisée seule peut entraîner beaucoup d’erreurs
Maximum de crédibilité
![Page 105: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/105.jpg)
105Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Décision 4/5
x∈Ci si Cr({Ci})(x)=max{Cr({Ck})(x), 1≤k ≤ n}et Cr({Ci})(x) ≥ Cr({Ci}c)(x)
La décision n’est prise que si elle est suffisamment non ambiguë (on doit croire plus en {Ci} qu’en son contraire) Plus restrictif que le critère du maximum de crédibilité donc plus discriminantProblème : peut conduire à aucune décision
Maximum de crédibilité avec rejet
![Page 106: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/106.jpg)
106Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Décision 5/5
Probabilité pignistique (Smets) projette les masses définies sur les singletons
où |A| est le cardinal de A. Décision probabiliste x∈Ci si bet({Ci})(x)=max{bet({Ck})(x), 1 ≤ k ≤ n}• Bien dans le cas d’ambiguïtés, prudent• Peu conforme à la notion de masse
Maximum de probabilité pignistique
![Page 107: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/107.jpg)
107Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Fonctions de croyance pour l’association
• Appliqué en suivi de cibles• Principe :Un cadre de discernement pour l’association cible/piste et un cadre pour l’association piste/cible•où Yj correspond à l’association avec Yj
et * correspond à l’hypothèse d’exhaustivité(association à rien de connu)
![Page 108: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/108.jpg)
108Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Association
• masse associée à « Xi est reliée à Yj »• masse associée à « Yj est reliée à Xi »• masse associée à « Xi n’est pas reliée àYj »• masse associée à « On ignore si Xi est reliée à Yj »• masse associée à « Xi est reliée à rien »
Interprétation des fonctions de masse
![Page 109: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/109.jpg)
109Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• Un cadre de discernement pour chaque association Si/Sj de classifieurs•où Cl correspond à l’association d’une classe du classifieur Si avec la classe Cl du classifieur Sj
et * correspond à l’hypothèse d’exhaustivité(association d’une classe du classifieur Si à aucune classe connue du classifieur Sj)• On obtient des matrices de masse pour chaque couple (Si,Sj) de classifieurs
AssociationPour la classification non supervisée
![Page 110: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/110.jpg)
110Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Association
• distribution de masses associée à la relation des classes du classifieur Si avec la classe Cl du classifieur Sj
• distribution de masses associée à la relation des classes du classifieur Sj avec la classe Ck du classifieurSi
• distribution de masses associée à la non-relation des classes du classifieur Si avec la classe Cl du classifieur Sj
• distribution de masses associée à l’ignorance sur la relation des classes du classifieur Si avec une classe (ou disjonction) du classifieur Sj
• distribution de masses associée à la relation des classes du classifieur Si avec aucune classe du classifieur Sj
Pour la classification non supervisée
![Page 111: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/111.jpg)
111Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
• La théorie des fonctions de croyance offre la possibilité d’associer Ck du classifieur Si àou encore à dans le cadre de la DSmT
AssociationPour la classification non supervisée
![Page 112: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/112.jpg)
112Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Réflexions• Limites
– complexité à croissance exponentielle– indépendance cognitives des sources– l’estimation des fonctions de masse passe souvent par une phase d’apprentissage et dépend de l’application
• Liens avec la théorie des probabilités et la théorie des possibilités
![Page 113: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/113.jpg)
113Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Réflexion
Lorsque les seuls éléments focaux sont des singletons
– les fonctions de masses sont des probabilités– Crj et Pj sont égales aux fonctions de masses– la loi de combinaison de Dempster est cohérente avec les lois des probabilités– Les probabilités sont un cas particulier de la théorie des fonctions de croyance
Liens avec la théorie des probabilités
![Page 114: Votes et fonctions de croyance pour la fusion de …ENSIETA Arnaud MARTIN 2007 © Votes et fonctions de croyance pour la fusion de décisions 12 juin 2007 Exemple de fusion Fusion](https://reader033.vdocuments.site/reader033/viewer/2022042210/5eaf2b91fa4710232a27c8d8/html5/thumbnails/114.jpg)
114Votes et fonctions de croyance pour la fusion de décisions juin 2007ENSIETA Arnaud MARTIN 2007 ©
Réflexion
Lorsque les éléments focaux sont tous inclus les uns dans les autres
– les fonctions de crédibilité sont les fonctions de nécessité dans la théorie des possibilités – les fonctions de plausibilité sont les fonctions de possibilités dans la théorie des possibilités
Donc les notions de probabilité et de possibilitésont incompatibles (sauf si il n’y a qu’un élément focal)
Liens avec la théorie des possibilités