Learning evidential contextual corrections from soft labelled data using the contour function

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

Siti Mutmainah (1, 2) , Frédéric Pichon (1) , David Mercier (1)

1 LGI2A - Laboratoire de Génie Informatique et d'Automatique de l'Artois
2 UIN Sunan Kalijaga

In this paper, we propose to learn the parameters of evidential contextual correction mechanisms from a learning set composed of partially labelled data (soft labels), i.e. data where the true class of each object is only partially known, by optimizing a measure of discrepancy between the values of the corrected contour function and the ground truth also represented by a contour function. The advantages of this method are illustrated by tests on synthetic and real data.

Dans ce papier, nous proposons d'apprendre les paramètres de mécanismes de corrections contextuelles crédibilistesà partir de données d'apprentissage partiellementétiquetées, 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 terrainégalement représentée par une fonction de contour. Les avantages de cette méthode sont illustrés par des tests sur des données synthétiques et réelles.

Mots clés: Belief functions; Contextual corrections; Learning; Soft labels

Mots clés: Fonctions de croyance; Corrections contextuelles; Apprentissage; Étiquettes partielles

Domaines: Intelligence artificielle [cs.AI]

Siti Mutmainah, Frédéric Pichon, David Mercier. Apprentissage de corrections contextuelles crédibilistes à partir de données partiellement étiquetées en utilisant la fonction de contour. 28e Rencontres Francophones sur la Logique Floue et ses Applications, LFA 2019, Nov 2019, Alès, France. ⟨hal-03218856⟩