1 Vers la découverte de nouvelles modalités sensori-motrices. Encadrants : Pierre Bessière Anne Spalanzani Pierre Dangauthier DEA I.V.R. 24 Juin 2003 Sélection Automatique de Variables Pertinentes

2 Plan Présentation du problème Sélection de variables Approche Méthodologie expérimentale Analyse des résultats Conclusion

3 Cadre Equipe CyberMove : Projet INRIA, Robotique autonome, Environnement non contrôlé, Programmation bayésienne. Projet Européen BIBA : Plausibilité biologique du modèle

4 Objectifs Automatiser la découverte de nouvelles modalités sensori-motrices Trouver des relations entre variables Exemples Robot BIBA Laser ultrasons Balle Rouge Vision capteur de proximité

5 De la balle rouge au cube vert 59 variables : 16 proximètres, 16 photomètres, vitesse et position des roues, position caméra, variables internes… Découverte dune nouvelle modalité sensorielle

6 Contexte Programmation bayésienne des robots [Lebeltel03] Description Question Spécification Identification et Proximètres : X 9 … X 24 Formes paramétriques Variables pertinentes Décomposition Modèle capteur Histogrammes de Laplace

7 Plan Présentation du problème Sélection de variables Approche Méthodologie expérimentale Analyse des résultats Conclusion

8 Sélection de variables Critère darrêt Non Validation Oui Sous-ensemble retenu Un sous- ensemble Evaluation Exploration de lespace Classificateur Apprentissage Calcul TauxReco [LiuYu02] [Kohavi94] Notion de corrélation [Hall98]

9 Évaluer un sous-ensemble Evaluation variable par variable Feature ranking : insuffisant [Guyon03] Evaluation sous-ensemble Formule de Ghiselli [Ghi64] [Kullback51] Evaluation de corrélation Statistique du 2 X-H :

10 Comparatif wrappers / filters WrappersFilters Performances + Biais pris en compte - Vitesse-+ Théorie +/- Simplicité +/- Explications Spécificité -+

11 Plan Présentation du problème Sélection de variables Approche Méthodologie expérimentale Analyse des résultats Conclusion

12 4 Algorithmes simples Rank XH et Rank 2 Type : filter Complexité : Test 2 Type : filter : Test statistique Complexité : N calcul de p-valeur + Wrappers exhaustifs Type : wrapper avec k=N (et k=N/2) Complexité : Légende: N = #Variables k = #Variables retenues C = #Valeurs T = #Exemples G = #Générations I = #Individus

13 FAXH et FA 2 Type : filters Exploration: Forward addition [Koller96] Évaluation : Ghiselli + CIS ou statistique du 2 Critère darrêt : fin de croissance des scores Complexité :

14 AGWrap Type : wrapper Exploration: Algorithme génétique [Spalanzani99] Évaluation : taux de reconnaissance [Yang98] Critère darrêt : Nombre de générations Complexité :

15 AGXH Type : filter Exploration : Algorithme génétique Évaluation : Ghiselli + CIS Critère darrêt : Nombre de générations Complexité : [Hall98]

16 MoCap Type : filter Exploration : Backward Elimination [Koller96] Critère darrêt : nombre de variables Complexité : Évaluation : KL-distance symétrisée modèle capteur

17 Plan Présentation du problème Sélection de variables Approche Méthodologie expérimentale Analyse des résultats Conclusion

18 Méthodologie de test Provenance des données Simulateur logiciel : maîtrise Robot Koala Critères de comparaison NbVar, TxReco, TpsCalc, Pouvoir explicatif, #paramètres. Protocole expérimental 11 fichiers de données et 11 fichiers de test pour validation Résultats bruts et moyenne Liste des expériences 7 expériences simples pour tests et 4 réalistes

19 Expérimentation

20 Méthodologie de test Provenance des données Simulateur logiciel : maîtrise Robot Koala Critères de comparaison NbVar, TxReco, TpsCalc, Pouvoir explicatif, #paramètres. Protocole expérimental 11 fichiers de données et 11 fichiers de test pour validation Résultats bruts et moyenne Liste des expériences 7 expériences simples pour tests et 4 réalistes (dont 2 du robot)

21 Plan Présentation du problème Sélection de variables Approche Méthodologie expérimentale Analyse des résultats Conclusion

22 Résultats 1/3

23 Résultats 2/3 % AGWrapp AGXHFAXH FA 2 Test 2 ModCapALL NbVar TxReco TpsCalc Moyennes sur les fichiers dexemples réalistes (N> 20) Wrappers : trop lents FA 2 : termine trop tôt Test 2 : garde trop de variables FAXH : trop lent si N grand (N 3 )

24 Résultats 3/3 AGXH et MoCap %AGXH ModCap ModCap8 NbVar TxReco TpsCalc23111 Avec un même k, MoCap est plus performant et beaucoup plus rapide Mais problème dautonomie

25 Comparatif

26 Retour sur la balle rouge AGXH, FAXH et ModCapN/4 sont équivalents FAXH lent Problème de MoCap (critère d'arrêt) ==> AGXH le mieux adapté

27 Plan Présentation du problème Sélection de variables Approche Méthodologie expérimentale Analyse des résultats Conclusion

28 Contribution Un premier pas vers la découverte automatique de nouvelles modalités sensori-motrices Proposition de plusieurs algorithmes de « feature selection » Comparaison méthodique dans le cadre de robotique autonome

29 Perspectives Perspectives techniques Autre critère darrêt pour MoCap Variables continues Un deuxième pas vers la découverte de nouvelles modalités Période de recherche Corrélations dans le domaine moteur