A.2 Publications
3.9 Le feedback transitionnel permet de guider à priori la discrétisation de
Dans le cas du problème d’amorçage, il n’est pas possible d’évaluer la capacité dictive du système, tant que l’on n’a aucun motif à considérer comme une structure pré-dictive. Pour pallier cela, nous proposons un feedback transitionnel afin d’orienter la recherche vers les zones intéressantes de l’espace de recherche lors de la phase d’amor-çage. L’intérêt des éléments de représentation est défini par une mesure d’intérêt basée sur leur spécificité et leur poids. Cette modélisation repose sur une formulation intui-tive du type de discrétisation qui semble efficace pour détecter des évènements qui se "démarquent" du reste de l’expérience par contraste (ex. un bruit soudain, un mouve-ment ample, un changemouve-ment de couleur, etc.). Si les processus de construction sont trop précis, une grande quantité d’évènements très spécifiques ayant un poids faible risque d’être générée (ex. considérer une variation de température de 0,1˚C comme non simi-laire à une variation de 0,15˚C). Si au contraire, le processus de discrétisation est trop général, peu d’éléments seront générés. Ces éléments auront probablement un poids fort mais ne seront pas spécifiques, c’est-à-dire qu’ils ne se démarqueront pas suffisam-ment du reste de l’expérience (ex. considérer une variation de 5˚C comme similaire à
une variation de 0,1˚C). Cette mesure repose donc sur l’idée de trouver un compromis entre précision et stabilité, les représentations intéressantes étant celles qui génèrent des éléments spécifiques ayant néanmoins un poids fort.
La spécificité d’un élément peut être exprimée comme la différence de similarité entre cet élément et la classe d’élément la plus générale possible, appelée la référence. Par exemple, pour une association qui contient les durées entre les occurrences de 2
évènements e1 et e2 , la référence est l’association qui contient toutes les durées entre
les occurrences de e1et des évènements aléatoires ei. La spécificité d’un évènement est :
s(e) = 1− fs(e, re f)définie entre 0 et 1. Notons|e|le nombre d’occurrences de
l’évè-nement e ∈ Eα, et Eα l’ensemble des classes d’évènements générées par l’agent S à
partir de toutes les occurrences produites. Le poids d’un évènement est défini en fonc-tion de la répartifonc-tion des occurrences de cet évènement par rapport aux autres
évène-ments de spécificité équivalente : w(e) = |e|
∑
|s(ei)−s(e)|<;ei∈Eα|ei|. L’intérêt d’un évènement est
i(e) = s(e) ∗w(e). Ainsi, une classe d’évènement obtient une mesure d’intérêt élevée
lorsque les deux valeurs s et w sont proches de 1. Autrement dit : d’une part son profil est suffisament éloignée de la distribution normale de la variable observée (spécificité élevée), et d’autre part cette caractéristique n’est pas partagée uniformément avec les autres classes spécifiques (poids élevé), comme ce devrait être le cas si cette caractéris-tique dépendait du hasard. La spécificité élevée signifie donc que ce profil d’évènement est peu fréquent, et le poids élevé signifie que parmi les évènements peu fréquents, celui-ci se démarque en étant anormalement plus fréquent que les autres. Plus cette asymétrie est forte, plus l’évènement est considéré comme intéressant.
La Figure 3.10 montre deux exemples qui illustrent ce comportement. Dans l’exemple A, certaines variations aléatoires générées par le bruit se distinguent de la référence. Cependant, en moyenne, aucune des classes qui leur correspond (ex. c1 et
c2) n’a une probabilité d’apparition nettement supérieure aux autres. Au contraire dans
l’exemple B, deux classes correspondant à des variations très spécifiques sont créées. La classe c3 est une variation récurrente, alors que c4 est suscitée par un aléas. Ainsi c3 présente une probabilité d’apparition nettement supérieure à c4 et bénéficie d’un poids fort.
Nous proposons cette mesure d’intérêt comme une possibilité afin d’implémenter le feedback transitionnel. Il existe cependant de nombreuses méthodes permettant d’éva-luer la qualité intrinsèque d’une classification et également des outils de la théorie de l’information, qui pourraient être adaptés ici. L’étude de cet aspect du modèle sera un élément important pour les travaux futurs.
1 1 1 1 référence s=0,9 s=0,8 s=0,15 1 s=0,2 1 s=0,8 (…) n classes à s>0,8 c1 c2 1 référence 1 s=0,9 très rare récurrent c3 c4 p faible p fort p faibles (~ଵ) A B
FIGURE3.10 – Illustration du rôle des notions de "spécificité" et de "poids" dans la me-sure d’intérêt proposée.
3.2.4.2 Feedback prédictif (Fp)
L’espace de recherche global du système est l’ensemble des façons de discrétiser
l’expérience, soit l’ensemble des fonctions possibles F = FD ∪FA∪FS. L’évaluation
des motifs peut correspondre à leur faculté à produire des prédictions fiables, comme présenté dans [Mugan07a]. La pertinence d’une fonction peut donc être évaluée d’après sa participation à la construction de motifs prédictifs, qui se fait nécessairement en col-laboration avec des fonctions correspondant à une opération différente. Nous pouvons
représenter ce feedback par une évaluation Q : f ∈ F→ [0, 1]qui s’applique aux
struc-tures générées, et influence les agents participants. Comme illustré sur la Figure 3.12, la collaboration des trois rôles d’agents permet de construire un motif dont l’évaluation fournit un feedback vers les agents participants. Cela permet par exemple de renforcer le paramètre P1 utilisé par l’agent S1. Ainsi le but du système est de trouver les combi-naisons de fonctions qui permettent de construire des motifs pertinents, en maximisant
Discrétisation
Données brutes
Évènements primitifs & associations primitives
évènements & associations abstraction Interface agent-environnement Evaluation / PREDICTION évènements & associations Feedback ࡲ /ܨ௧ Généralisation Apprentissage sensorimoteur Généralis Spécialisation amorçage
Espace de recherche spécifique
Motifs Motifs variables Variable interne Feedback ܨ / ܨ௧ MOTIFS primaires
Phase d’amorçage : feedback prédictif
FIGURE3.11 – Le feedback prédictif permet d’évaluer l’intérêt utile des structures