Quantification de l'incertitude pour les techniques d'apprentissage automatique et profond

Uncertainty quantification for machine and deep learning techniques

• Auteur / Autrice : Rouaa Hoblos
• Direction : Saïd Noureddine Zerhouni, Noura Dridi
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'Ingénieur
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : SPIM - Sciences Physiques pour l'Ingénieur et Microtechniques
• Partenaire(s) de recherche : Laboratoire : Franche Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies
• Partenaire(s) de recherche : Equipe de recherche : AS2M - Département Automatique et Systèmes Micro-Mécatroniques
• Partenaire(s) de recherche : établissement de préparation : École nationale supérieure de mécanique et des microtechniques (Besançon)

Mots clés

Mots clés libres

Quantification de l'incertitude

Réseau neuronal

Diagnostic

Cancer du sein

Uncertainty quantification

Neural networks

Diagnosis

Breast cancer

Résumé

La plupart du système physique réel et des situations quotidiennes incluent l'incertitude. C'est le cas pour le diagnostic médical, les prévisions météorologiques, l'évolution du marché boursier, et ainsi de suite. Dans la littérature, on distingue deux types d'incertitude : l'incertitude aléatoire désigne celle qui est inhérente aux données, par exemple le bruit dans les mesures ou la variabilité naturelle des intrants, et l'incertitude épistémique liée au modèle et due au manque de connaissances. Il est important de mesurer l'incertitude, afin de soutenir l'utilisateur dans l'action à prendre. Par exemple, lorsqu'une anomalie est détectée, avec un faible niveau de confiance, une autre source d'information doit être ajoutée (image, intervention humaine, etc.) avant de planifier des actions d'intervention. Plus généralement, la quantification de l'incertitude de la prédiction permet de faire confiance ou non aux prédictions. En fait, des prédictions incorrectes et trop confiantes peuvent être nuisibles et conduire à une décision erronée.

Most of the real physical system and everyday situations include uncertainty. This is the case for medical diagnosis, weather forecasting, evolution of the stock market and so on. In the literature two types of uncertainty are distinguished: aleatoric uncertainty denotes the one that is inherent to the data, e.g., noise in measurements or natural variability of the inputs, and epistemic uncertainty related to the model and due to lack of knowledge. Measuring the uncertainty is important, so as to support the user in the action to take. For example, when an anomaly is detected, with weak confidence level, another source of information should be added (image, human intervention, etc.) before planning intervention actions. More generally, quantification of the prediction uncertainty allows to trust or not predictions. In fact, incorrect overconfident predictions can be harmful and lead to erroneous decision.