Apprentissage automatique et fusion de connaissances spatio-temporelles
Abstract
Dès que deux affirmations, concernent le même objet, ou le meme etat du monde réel, on tend à les rapprocher, à évaluer leur compatibilité, pour en déduire de nouvelles conséquences. Le partage de la localisation spatiale implique ce besoin de fusion. Mais, les données relatives au monde réel sont souvent porteuses d'incertitude et d'ambiguité. Elles sont observées de manière imparfaite et sont liées à des concepts souvent similaires, mais différents. Ceci impose de rapprocher les concepts avant de rapprocher les données, afin que le mécanisme de raisonnement tienne compte des erreurs possibles et garantisse la validité des inférences, à défaut de garantir la vérité. Nous présentons plusieurs résultats : - fusion des concepts (alignement d'ontologies), par apprentissage et analyse des concepts formels (treillis de Galois); - étude préalable des "causes possibles" par un apprentissage à base de réseaux bayésiens, sur des séries temporelles de données spatiales; - détection de conflits (incohérences logiques) entre informations spatiales et sur leur révision pour restaurer la cohérence. L'apprentissage artificiel peut ainsi aider à traiter les situations où données numériques et informations qualitatives sont souvent mélées.
Domains
Artificial Intelligence [cs.AI]
Origin : Files produced by the author(s)