Réseaux possibilistes hybrides : représentation des interventions et algorithmes
Institution:
ArtoisDisciplines:
Directors:
Abstract EN:
This thesis aims to study the causality notion and to develop propagation algorithms in the possibilistic networks framework. Intervention is a crucial notion to insure an efficient causal analysis in the sense that it facilitates causality ascriptions. We propose to introduce the do operator to represent interventions in possibilistic networks. We show that using such operator in the possibilistic framework reveals, in some cases, more interesting than its application for Bayesian networks especially for the propagation efficiency when reasoning with interventions. A possibilistic causal model based on possibilistic networks and allowing handling interventions is provided. This model proposes a typology of the forms that causal relationships can take in the possibilistic framework. Handling observation and dealing with interventions are unified through the propagation and conditioning process. We propose to improve propagation algorithms by taking advantages of possibility theory. Our approach consists of combining two representation tools in the possibility framework: possibilistic logic and possibilistic networks. These two alternatives both provide compact representations of possibility distributions. Hence, uncertainty at the level of nodes is represented in terms of possibilistic knowledge bases instead of possibility distributions. A propagation algorithm using the new representation, called hybrid, is proposed. Experimental results confirm the contribution of this new algorithm.
Abstract FR:
Cette thèse a pour objectif d’étudier la notion de causalité et de développer les algorithmes de propagation dans le cadre des réseaux possibilistes. Nous proposons d’introduire l’opérateur do comme un moyen de représentation des interventions dans les réseaux possibilistes. Nous montrons aussi que l’utilisation de cet opérateur dans le cadre possibiliste présente des avantages par rapport à son application aux réseaux bayésiens probabilistes notamment au niveau de l’efficacité de la propagation de telles informations sur le reste du système. Un modèle causal possibiliste basé sur les réseaux causaux possibilistes et permettant d’intégrer les interventions est mis en place. Ce modèle permet de définir une typologie des différentes relations causales existantes. Le traitement des observations et la gestion des interventions sont unifiés à travers le processus de conditionnement et de propagation. De ce fait, nous proposons d’améliorer les algorithmes de propagation tout en tirant profit des avantages offerts par le cadre possibiliste. Notre approche consiste à combiner les deux outils de représentation dans le cadre possibiliste : la logique possibiliste et les réseaux possibilistes. Ces alternatives constituent toutes les deux des représentations compactes des distributions de possibilité. Ainsi, l’incertitude au niveau de la nouvelle représentation, dite hybride, des réseaux possibilistes est quantifiée localement en termes de bases de connaissances possibilistes à la place des distributions de possibilité. Un algorithme de propagation adapté à la nouvelle représentation est proposé. L’étude expérimentale confirme les apports de ce nouvel algorithme.