Approche hybride pour la prise en charge de nouvelles donn´ees

nouvelles donn´ees ✐

th`ese d’Oliver Brdiczka

Les deux approches pr´ec´edentes ont montr´e la faisabilit´e d’apprendre automatique-ment la fonction d’interpr´etation des donn´ees per¸cues en rˆoles. La nature supervis´ee de l’apprentissage n´ecessite l’acquisition de donn´ees exp´erimentales pour un traitement hors ligne. Comme dans toute approche de ce type, il faut se poser la question de la couver-ture de ces donn´ees par rapport aux cas futurs rencontr´es lors de l’utilisation en ligne de l’application.

Comme nous l’avons d´ej`a indiqu´e pr´ec´edemment, il n’est pas possible de pr´evoir l’ensemble des situations possibles dans le cadre d’applications sensibles au contexte. En particulier, le comportement des utilisateurs est susceptible d’´evoluer au cours du temps, donnant naissance `a de nouveaux rˆoles qui n’ont pas pu ˆetre initialement pr´evus, et donc r´epertori´es dans les donn´ees d’apprentissage.

Nous allons dans un premier temps v´erifier comment ces nouvelles donn´ees sont prises en charge par SVM et par le classifieur bay´esien. Nous verrons ensuite comment ces nouvelles donn´ees peuvent ˆetre d´etect´ees afin de rendre plus robuste ces deux classifieurs (approche hybride).

SVM et Bayesien

SVM, de par son principe, va syst´ematiquement proposer une classe, quelle que soit la donn´ee fournie en entr´ee. En particulier, il n’est pas en mesure d’indiquer si la donn´ee qu’on lui soumet est coh´erente avec les donn´ees utilis´ees lors de l’apprentissage. Lors de l’apparition de nouvelles classes, SVM cherchera `a affecter ces donn´ees aux classes connues lors de l’apprentissage. La mise en place d’une classe “autre” ou “poubelle” pour r´esoudre ce probl`eme n’est pas facilement envisageable, n’ayant par d´efinition pas de repr´esentant de ces classes lors de l’apprentissage.

Apprentissage supervis´e des rˆoles Données hors apprentissage T P(T) > seuil Classifieur Bayesien

Données cohérentes avec l'apprentissage

Classe (rôle) Données hors apprentissage T P(T) > seuil Classifieur SVM

Données cohérentes avec l'apprentissage

Classe (rôle)

Classifieur Bayesien étendu Classifieur Hybride

Figure 3.4: Classifieur Hybride

Le classifieur bay´esien, de par sa nature g´en´erative, cherche `a construire un mod`ele des donn´ees d’apprentissage. Il fournit la probabilit´e d’appartenance d’une donn´ee aux diff´erentes classes. Ses capacit´es de g´en´eralisation sont moindres mais il est en mesure de d´etecter la pr´esence de nouvelles classes.

Approche hybride

De la mˆeme fa¸con que nous avons construit P (T|r) `a l’aide d’une mixture multi-dimensionnelle de Gaussienne estim´ee par EM (section 3.2.2), nous pouvons ´egalement construire selon le mˆeme principe P (T ). Cette distribution mod´elise les donn´ees d’ap-prentissage et fournit donc un indicateur de coh´erence d’une nouvelle donn´ee per¸cue par rapport aux donn´ees initiales. Cet indicateur peut donc ˆetre utilis´e pour d´etecter les nouvelles classes et servir de filtre aux deux approches de classification pr´ec´edentes (voir figure 3.4).

3.2.4.1 Evaluation

L’´evaluation de l’approche hybride a ´et´e r´ealis´ee en reprenant les 8 s´equences d’ap-prentissage et en supprimant `a tour de rˆole une des classes lors de l’apd’ap-prentissage. Nous avons compar´e les r´esultats obtenus par le classifieur bay´esien ´etendu, le classifieur Hy-bride et le SVM simple afin de servir de r´ef´erence pour la comparaison. Les r´esultats sont r´esum´es table 3.5.

Interpr´etation de la perception

Classifieur bay´esien ´etendu Classifieur Hybride SVM

Moyenne 75.2157 77.8555 71.0088

Ecart Type 5.4840 6.3881 8.3958

Table 3.5: Taux de reconnaissance des trois classifieurs

Le filtrage des donn´ees avant classification permet au classifieur bay´esien ´etendu ainsi qu’au classifieur hybride d’obtenir de meilleures performances par rapport `a un SVM simple. Le classifieur le plus performant des trois est le classifieur hybride. Il permet de tirer parti `a la fois de la mod´elisation des donn´ees apport´e par le bay´esien et du pouvoir discriminatif de SVM.

4

Reconnaissance de sc´enarios

Nous avons pr´esent´e au cours du chapitre 2 notre mod`ele de contexte. Ce mod`ele formel est `a la disposition du concepteur de l’application afin de sp´ecifier l’ensemble des situations (et leur enchaˆınement) pertinentes pour l’application.

Il n’existe pas de formalisme g´en´erique de reconnaissance robuste de situations `a partir des donn´ees de perception. Il existe diverses approches qui restent n´eanmoins tr`es d´ependantes des applications. Notre point de vue est qu’au lieu de rechercher un m´eta-mod`ele de ”reconnaisseur universel”, il est pr´ef´erable de chercher `a automatiser la transformation du mod`ele formel de sp´ecification du contexte vers diff´erents m´eta-mod`eles de reconnaissance. Cela permet de ne travailler qu’au niveau sp´ecification et de pouvoir facilement basculer entre les mod`eles au sein d’une mˆeme application.

4.1 Transformation de mod`eles

L’approche que j’ai mise en place en 2003 s’apparente `a de l’Ing´enierie Dirig´ee par les Mod`eles α_{. Dans le cadre de l’informatique ambiante, ce type d’approche a ´et´e}

uti-lis´e plus r´ecemment pour faciliter le d´eveloppement des applications. Dans le cadre par exemple de l’informatique ambiante domestique, les p´eriph´eriques utilis´es et les normes d’interconnexion ´evoluent tr`es rapidement (KNX/EIB, X10 . . . ). Clemente et al. ont propos´e un langage sp´ecifique de description β _{de l’architecture de l’application et les}

transformations de mod`eles associ´ees permettant de g´en´erer le code vers une technologie cible (Clemente et al., 2009). Georgalas et al. (Georgalas et al., 2007) g´en`erent

´egale-α

. IDM

β

. DSL

Reconnaissance de sc´enarios

ment `a partir d’un mˆeme mod`ele le code des interfaces Homme-Machine vers plusieurs technologies cibles : des t´el´ephones portables j2me ou des PDA sous .net, par exemple. Les deux exemples pr´ec´edents adressent le probl`eme de la prise en compte de la mul-tiplicit´e des mat´eriels et logiciels impliqu´es dans une application d’intelligence ambiante. Nous nous pla¸cons plutˆot sur un probl`eme interne de choix de formalisme de reconnais-sance. Cela se rapproche de ce que Pires et al. ont propos´e en 2008 (Pires et al.,2008). Leur approche se base sur la mise en oeuvre d’un langage sp´ecifique de type Event-Control-Action permettant de sp´ecifier le comportement de l’application. Une transformation de mod`ele permet ensuite de traduire cette sp´ecification en un ensemble de r`egles destin´ees `a Jess γ_.

Nous allons pr´esenter dans la suite de ce chapitre une premi`ere transformation de notre mod`ele de contexte vers un r´eseau de Petri ´equivalent. Les deux chapitres suivants seront consacr´es `a la transformation de ce r´eseau de Petri vers deux m´eta-mod`eles pour la reconnaissance de contexte.