ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
Masses de données hétérogènes
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
 

 ARTICLE VOL 15/1 - 2001  - pp.55-85
TITRE
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.

ABSTRACT

We propose a learning method from examples situated at the junction of statistical methods and those based on Artificial Intelligence techniques. Our modelisation is based on automatic generation of classification rules and on an original use of approximate reasoning. The proposed learning method based on linear correlation search among the components of the training set vectors is multi-features. The rule uncertainty is managed in the learning phase as well as in the recognition one. A tool called SUCRAGE was implemented and confronted with a real application in the field of image processing. The obtained results validate our approach and allow us to consider other application fields. Those results also confirm our imperfections hypothesis: the approximate reasoning as well as the intraclasses correlation search can appropriately improve the results.

AUTEUR(S)
Amel BORGI, Herman AKDAG

MOTS-CLÉS
Apprentissage supervisé, règles de production, imprécision, incertitude, raisonnement approximatif, traitement d’images.

KEYWORDS
Supervised learning, production rules, imprecision, uncertainty, approximate reasoning, image processing.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (348 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier