Transformation de scores SVM en fonctions de croyance

Philippe Xu (1, 2) , Franck Davoine (1, 3) , Thierry Denoeux (1, 2)

1 Heudiasyc - Heuristique et Diagnostic des Systèmes Complexes [Compiègne]
2 Labex MS2T - Laboratoire d'Excellence "Maîtrise des Systèmes de Systèmes Technologiques"
3 LIAMA - Laboratoire Franco-Chinois d'Informatique, d'Automatique et de Mathématiques Appliquées

La combinaison de plusieurs classifieurs, entrainés à partir de données ou caractéristiques distinctes, présente de nombreux intérêts pour les problèmes d'apprentissage supervisé. L'une des difficultés majeures de la combinaison est de représenter les sorties des différents classifieurs sous une forme commune, dans la plupart des cas sous la forme d'une probabilité à postériori. Cette transformation, appelée calibration, joue un rôle central dans la combinaison. Dans cet article, nous étendons les approches classiques de calibration probabilistes en utilisant la théorie des fonctions de croyance. Nous montrons, notamment, l'importance d'utiliser une borne inférieure et supérieure plutôt qu'une simple mesure probabiliste. Des résultats expérimentaux sur la transformation de scores SVM montrent l'apport des fonctions croyances.

Domaines: Vision par ordinateur et reconnaissance de formes [cs.CV]

Philippe Xu, Franck Davoine, Thierry Denoeux. Transformation de scores SVM en fonctions de croyance. 19ème congrès national sur la Reconnaissance de Formes et l'Intelligence Artificielle (RFIA'14), Jun 2014, Rouen, France. ⟨hal-00988584⟩