Apprentissage supervisé et raisonnement approximatif, l'hypothèse des imperfections
Résumé
Nous proposons une méthode d'apprentissage à partir d'exemples qui se situe à la jonction des méthodes statistiques et de celles basées sur des techniques d'intelligence artificielle. Notre modélisation se base sur la génération automatique de règles de classification et sur une utilisation originale du raisonnement approximatif. La méthode d'apprentissage proposée, basée sur une recherche de corrélations linéaires entre les composantes des vecteurs d'apprentissage est multi-attributs. L'incertitude des règles est gérée aussi bien dans la phase d'apprentissage que dans celle de la reconnaissance. Un système baptisé SUCRAGE a été implémenté et confronté à une application réelle dans le domaine du traitement d'images. Les résultats obtenus permettent de valider notre approche et nous autorisent à envisager d'autres domaines d'application. De plus, ces résultats confortent notre hypothèse des imperfections : le raisonnement approximatif ou une recherche de corrélations intraclasses peuvent sensiblement améliorer les résultats.