G. Edwards le 12 décembre, 2001 La fusion des données - approches qualitatives.

Présentation au sujet: "G. Edwards le 12 décembre, 2001 La fusion des données - approches qualitatives."— Transcription de la présentation:

1 G. Edwards le 12 décembre, 2001 La fusion des données - approches qualitatives

2 G. Edwards le 12 décembre, 2001 Vers une définition de la fusion ãLa fusion des données ã La création d ’un nouveau jeu de données caractérisé par une qualité supérieure à celles des jeux d ’origine ãLa fusion des connaissances ã Une approche élargie, incluant les données mais aussi la connaissance de comment on s’en sert ã Exploration de l ’usage de logiques (et surtout, des logiques non-monotones) pour la fusion des connaissances ã Explorer l ’usage des logiques non-monotones pour des problèmes de révision, en comparaison

3 G. Edwards le 12 décembre, 2001 Pourquoi la fusion? –Fusion de jeux de données ayant différents niveaux de qualité (et/ou d’échelle) u E.g. les données topographiques fédérales et provinciales –Fusion des jeux de données géographiques avec les images u E.g. pour la vision synthétique –Problèmes de mise-à-jour (et de révision des connaissances)

4 G. Edwards le 12 décembre, 2001 Différentes approches à la fusion ãMéthodes quantitatives ã La théorie bayesienne ã Le filtrage de Kalman ãMéthodes pseudo-qualitatives ã La théorie des ensembles floues ã La théorie de l’évidence ãMéthodes qualitatives ã Les ensembles ã Les logiques

5 G. Edwards le 12 décembre, 2001 Méthodes quantitatives ãLa théorie bayesienne ã La probabilité « a posteriori » conditionnée par la probabilité « a priori » ã Privilégié pour fusionner images et données ã Image = informations a priori ã Données = conditions ã Résultat = f(Données, Image) ã Peut être appliquée également au problème de fusionner des données ã Exige un estimé des probabilités ã Pas toujours possible ã Exige une complémentarité des données

6 G. Edwards le 12 décembre, 2001 Méthodes quantitatives ãLe filtrage de Kalman ã La mise à jour incrémentielle des probabilités par approximations successives ã Particulièrement appropriée pour des jeux de données ayant une composante temporelle ã Peut être appliquée au problème de mise à jour ã Exige un estimé des probabilités ã Pas toujours possible

7 G. Edwards le 12 décembre, 2001 Méthodes pseudo-qualitatives ãLa théorie des ensembles floues ã Une quantification de la différence entre « vrai » et « faux » ã Un calculus pour combiner des valeurs de « verité » ã Mais la quantification reste arbitraire ã Approche empirique par excellence

8 G. Edwards le 12 décembre, 2001 Méthodes pseudo-qualitatives ãLa théorie des évidences ã La « verité » se détermine à partir d’évidence moins que parfaite ã Un calculus pour évaluer les évidences ã Moins arbitraire que la théorie des ensembles floues ã Mais la quantification des évidences retienne un certain arbitraire

9 G. Edwards le 12 décembre, 2001 Méthodes qualitatives ãLes ensembles ã Grossiers (rough sets) ã Logique trinaire ãNouvelle piste en exploration ã RCC ã Region Connexion Calculus ãTopologie (régions, frontières, extérieures) ãFonctionne pour des régions compactes seulement, pour l ’instant

10 G. Edwards le 12 décembre, 2001 Méthodes qualitatives ãLes logiques ã De premier ordre ã Implanté (Prolog, etc.) ãPeu expressive pour les connaissances spatiales ã Modal ã Hypothèse des mondes multiples ã Vrai ou faux dans tous les mondes ou quelques mondes ã« monde » peut dire contextes temporelle ou spatiale ãles « mondes » n ’interagissent pas ã Non-monotone

11 G. Edwards le 12 décembre, 2001 Méthodes qualitatives ãLes logiques ã De premier ordre ãPeu expressive pour les connaissances spatiales ã Modal ãles « mondes » n ’interagissent pas ã Non-monotone ã L ’ajout de nouvelles connaissances peut causer le retrait de certaines connaissances déjà admises ãAinsi, les logiques non-monotones semblent plus appropriés pour gérer des interactions entre données spatiales ãMais ces logiques ne sont pas traitable directement, sans l ’ajout de certaines heuristiques

12 G. Edwards le 12 décembre, 2001 La logique non-monotone ãL ’équipe de Jeansoulin et Papini (REV!GIS) ã ont développé des heuristiques qui rendent les logiques non-monotones traitables, lorsqu ’appliquées au problème de révision spatiale ãL ’approche consiste à traiter des données comme une forme spéciale de connaissance ã chaque donnée et chaque relation entre les données est une affirmation ãLa révision consiste en l ’ajout de nouvelles connaissances, une affirmation à la fois ã La fusion implique la propagation d ’un ensemble cohérent de connaissances au sein d ’un autre ensemble cohérent de connaissances

13 G. Edwards le 12 décembre, 2001 La logique non-monotone ãAvantages ã Pas besoin de déterminer d’avance les probabilités conditionnelles ã Pas de suppositions non-appuyées et arbitraires ã Théorie la plus générale - chapaute les approches quantitatives et hybride ã Fusion possible pour tout ensemble de données exprimable comme une affirmation ã Données sémantique, spatiale, etc. ãDésavantages ã Traitable seulement dans certaines contextes ã Mais des travaux en cours promettent un élargissement de portée

14 G. Edwards le 12 décembre, 2001 Travail proposé ãExplorer, en collaboration avec l ’équipe de Jeansoulin et Papini, la mise en jeu des logiques non-monotones pour la fusion et la mise à jour des données topographiques ã L ’adaptation des heuristiques de révision à cette application ã L ’extension des heuristiques de révision au problème de fusion ãDévelopper des tests d’évaluation comparative de la qualité des jeux de données ãComparer des résultats avec les techniques quantitatives, tel que l ’estimation bayesienne et le filtrage de Kalman