🤖 machine learning

Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link with Multiview Learning

Cet article propose le modèle IFGRVFL-MV, qui intègre les ensembles flous intuitionnistes, l'incorporation de graphes et l'apprentissage multi-vues dans les réseaux de type Random Vector Functional Link afin de gérer efficacement l'incertitude, de préserver les structures géométriques et d'exploiter les informations de caractéristiques complémentaires, atteignant ainsi une précision de classification supérieure sur des ensembles de données de référence par rapport aux modèles existants.

Auteurs originaux : Vrushank Ahire, Yogesh Kumar, M. A. Ganaie

Publié 2026-07-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Vrushank Ahire, Yogesh Kumar, M. A. Ganaie

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Construire une « machine à deviner » plus intelligente

Imaginez que vous essayiez d'apprendre à un ordinateur à trier une pile de courrier mélangé dans des bacs « À garder » et « À jeter ». Il s'agit d'un problème de classification. Pendant longtemps, les ordinateurs ont utilisé un outil appelé RVFL (Random Vector Functional Link) pour faire cela.

Considérez le RVFL comme un trieur de courrier très rapide et efficace. Contrairement à d'autres trieurs qui doivent apprendre lentement par essais et erreurs (comme un étudiant qui étudie pendant des années), le RVFL bénéficie d'un « coup de pouce ». Il attribue aléatoirement des règles à ses engrenages internes, puis calcule simplement la réponse finale instantanément. C'est rapide et généralement efficace, mais il présente deux faiblesses principales :

Il est perturbé par les « mauvaises données » : Si un morceau de courrier est déchiré, taché ou ressemble à la fois à « À garder » et à « À jeter », le trieur se bloque.
Il ignore la « forme » des données : Il traite chaque morceau de courrier comme un objet isolé, sans réaliser que des lettres d'apparence similaire appartiennent souvent au même bac.
Il ne regarde que sous un seul angle : Il essaie de trier en se basant sur une seule description du courrier (ex: la couleur), ignorant d'autres détails utiles (ex: la texture ou le poids).

Les auteurs de cet article, Vrushank Ahire, Yogesh Kumar et M.A. Ganaie, ont construit un trieur amélioré et perfectionné appelé IFGRVFL-MV. Ils ont combiné trois outils puissants pour corriger les faiblesses de l'ancien trieur.

Les trois améliorations (la « recette secrète »)

1. Le « Juge Flou » (Ensembles flous intuitionnistes)

Le Problème : Parfois, un morceau de courrier est si endommagé ou étrange que le trieur ne sait pas s'il appartient à la pile « À garder » ou à la pile « À jeter ». C'est une zone grise.
La Solution : Les auteurs ont ajouté un Juge Flou. Au lieu d'imposer un « Oui » ou un « Non » catégorique, ce juge donne un score de « À quel point je pense que cela appartient à cette catégorie ? » et « À quel point je pense que cela n'y appartient pas ? ».

Analogie : Imaginez un vigile à l'entrée d'un club. Un vigile normal dit : « Vous entrez » ou « Vous restez dehors ». Le Juge Flou dit : « Vous avez l'air d'être un VIP à 80 %, mais un fauteur de troubles à 20 % ». Si la personne est clairement un fauteur de troubles (une valeur aberrante ou du bruit), le juge donne un score faible, indiquant au trieur de l'ignorer ou de le traiter avec prudence. Cela rend le système robuste face aux données désordonnées ou bruitées.

2. Le « Créateur de Cartes » (Plongement de graphe)

Le Problме : L'ancien trieur examine les objets un par un. Il ne réalise pas que si l'Objet A ressemble à l'Objet B, et que l'Objet B ressemble à l'Objet C, alors A et C appartiennent probablement au même bac.
La Solution : Les auteurs ont ajouté un Créateur de Cartes. Cet outil trace des lignes invisibles reliant les points de données similaires, créant ainsi une toile ou une carte.

Analogie : Imaginez une fête où vous ne connaissez personne. Un trieur normal demande : « Qui êtes-vous ? » et décide en fonction de cela. Le Créateur de Cartes observe la pièce et voit : « Oh, tous ceux qui portent des chemises rouges se tiennent en cercle pour discuter ». Il préserve la forme géométrique de la foule. Même si une personne dans ce cercle rouge porte un chapeau bleu (du bruit), la carte sait qu'elle fait toujours partie du groupe des chemises rouges. Cela aide le modèle à mieux se généraliser à de nouvelles données.

3. La « Équipe d'Experts » (Apprentissage multi-vues)

Le Problème : L'ancien trieur ne regarde les objets que sous un seul angle (ex: juste la couleur). Mais que se passe-t-il si la couleur est trompeuse ?
La Solution : Les auteurs ont créé une Équipe d'Experts. Ils donnent au trieur deux « vues » différentes des données en même temps.

Analogie : Imaginez que vous essayez d'identifier un fruit.
- Vue 1 (Expert A) : Regarde la couleur du fruit (Rouge ?).
- Vue 2 (Expert B) : Regarde la texture du fruit (Lisse ?).
- L'Équipe : Au lieu de demander l'avis d'un seul expert, le modèle interroge les deux. Si l'Expert A dit « Pomme » (parce que c'est rouge) et l'Expert B dit « Pomme » (parce que c'est lisse), le modèle est très confiant. S'ils ne sont pas d'accord, le modèle utilise ses calculs pour trouver le meilleur compromis. Cela permet au modèle d'utiliser des informations complémentaires pour prendre des décisions plus intelligentes.

Comment ils ont tout assemblé

Le nouveau modèle, IFGRVFL-MV, est comme une super-équipe de trieurs de courrier :

Il regarde le courrier sous deux angles différents (Multi-vues).
Il dessine une carte pour voir comment les éléments de courrier sont liés entre eux (Plongement de graphe).
Il utilise un Juge Flou pour décider à quel point il peut faire confiance à chaque morceau de courrier, ignorant ceux qui sont trop bizarres ou endommagés (Logique floue intuitionniste).

Les Résultats : Est-ce que ça a marché ?

Les auteurs ont testé leur nouveau modèle par rapport aux anciens en utilisant des ensembles de données standards (comme les dépôts UCI et KEEL, qui sont comme des bibliothèques publiques de problèmes de test).

Le Score : Le nouveau modèle a atteint une précision moyenne de 81,06 %, battant le deuxième meilleur modèle (79,50 %) et les modèles de base (autour de 70-72 %).
La Preuve : Ils n'ont pas seulement dit « cela semble meilleur ». Ils ont effectué des tests statistiques rigoureux (comme les tests de Friedman et de Wilcoxon). Ce sont comme des arbitres vérifiant les feuilles de score pour s'assurer que la victoire n'était pas due à la chance. Les résultats ont montré que le nouveau modèle est statistiquement plus performant que les autres.

Résumé

En termes simples, les auteurs ont pris une machine de tri rapide mais légèrement maladroite et lui ont donné :

De meilleurs yeux pour voir les motifs (Plongement de graphe).
Un deuxième avis pour vérifier son travail (Apprentissage multi-vues).
Un cerveau plus intelligent pour gérer la confusion et les erreurs (Logique floue intuitionniste).

Le résultat est une machine qui trie les données avec plus de précision, surtout lorsque les données sont désordonnées, bruitées ou complexes. L'article conclut que cette approche est une étape prometteuse pour la gestion de l'incertitude dans l'apprentissage automatique.

Résumé Technique : Réseau de Liaison Vectorielle Aléatoire à Intégration de Graphes et de Logique Floue Intuitionniste avec Apprentissage Multivue (IFGRVFL-MV)

Énoncé du Problème
Les réseaux de Liaison Vectorielle Aléatoire (RVFL) sont reconnus pour leur vitesse d'entraînement rapide et leurs capacités d'approximation universelle, obtenues grâce à l'initialisation aléatoire des poids de la couche cachée et la résolution analytique des poids de sortie. Cependant, les modèles RVFL standards font face à des limitations spécifiques : ils peinent souvent à préserver les relations géométriques intrinsèques des données, sont sensibles aux ensembles de données bruités ou incertains, et n'exploitent pas efficacement les informations complémentaires provenant de multiples vues de caractéristiques (Apprentissage Multivue). Bien que des variantes existantes aient abordé ces problèmes de manière isolée — telles que l'IFRVFL pour l'incertitude, le GE-RVFL pour la structure géométrique et le MvRVFL pour l'intégration de caractéristiques — aucun cadre unifié ne combine actuellement ces trois aspects pour gérer simultanément l'incertitude, préserver la topologie et exploiter les données multivues.

Méthodologie
Le modèle proposé, IFGRVFL-MV, intègre les Ensembles Flous Intuitionnistes (IFS), l'Intégration de Graphes (GE) et l'Apprentissage Multivue (MVL) dans un cadre RVFL unifié. La méthodologie procède comme suit :

Pondération Floue Intuitionniste : Le modèle assigne des valeurs de degré d'appartenance flou intuitionniste ( $f$ ) et de non-appartenance ( $f^*$ ) aux points de données dans chaque vue.
- La valeur d'appartenance est déterminée par la distance d'un échantillon par rapport au centre de sa classe par rapport au rayon de la classe.
- La valeur de non-appartenance est dérivée du ratio des voisins hétérogènes (échantillons ayant des étiquettes de classe différentes) dans un seuil de proximité.
- Une fonction de score ( $s_i$ ) est calculée sur la base de ces valeurs pour quantifier la fiabilité de chaque échantillon, ce qui permet de réduire l'influence des valeurs aberrantes et des données bruitées lors de l'entraînement.
Intégration de Graphes (GE) : Pour préserver la structure topologique des données, le modèle construit des graphes intrinsèques et de pénalité sur la matrice de caractéristiques concaténée de chaque vue. Ce cadre garantit que les échantillons ayant des étiquettes similaires restent proches (graphe intrinsèque) tandis que les échantillons ayant des étiquettes différentes sont éloignés (graphe de pénalité), améliorant ainsi la généralisation.
Apprentissage Multivue (MVL) : Le modèle traite deux vues distinctes des données (Vue-P et Vue-Q). Il emploie une stratégie de fusion précoce où l'objectif d'optimisation minimise conjointement l'erreur pour les deux vues tout en imposant une cohérence entre elles.
Formulation de l'Optimisation : Le cœur du modèle est un problème d'optimisation régularisé qui minimise une somme pondérée des erreurs au carré, des normes de poids de sortie et des pénalités d'intégration de graphes.
- Les termes d'erreur pour chaque vue sont pondérés par les racines carrées des matrices de scores flous intuitionnistes ( $S_1^{1/2}$ et $S_2^{1/2}$ ), réduisant l'influence des échantillons incertains.
- Un terme de cohérence inter-vues ( $\rho \xi_1^T S_1^{1/2} S_2^{1/2} \xi_2$ ) aligne les prédictions des deux vues.
- La solution est dérivée analytiquement en résolvant un système d'équations linéaires impliquant les multiplicateurs de Lagrange, ce qui donne une solution en forme fermée pour les poids de sortie ( $\beta_1, \beta_2$ ).

Principales Contributions
L'article présente quatre contributions principales :

Intégration de l'IFS dans le RVFL : L'introduction des ensembles flous intuitionnistes dans le cadre RVFL pour gérer l'incertitude et l'imprécision des données. Les valeurs d'appartenance et de non-appartenance sont assignées en fonction de la distance de l'échantillon par rapport aux centres de classe et de l'hétérogénéité des voisins.
Amélioration par Intégration de Graphes : L'incorporation du cadre GE pour capturer les relations géométriques au sein des données. En définissant des graphes intrinsèques et de pénalité sur la matrice de caractéristiques, le modèle préserve les structures topologiques pour améliorer la généralisation.
Utilisation de l'Apprentissage Multivue : L'application du MVL pour combiner les informations de plusieurs vues de caractéristiques, permettant au modèle de capturer des motifs complexes non apparents dans une seule vue.
Validation Empirique : Des expériences approfondies sur des ensembles de données de référence provenant des répertoires UCI et KEEL, soutenues par des analyses statistiques (Friedman, Wilcoxon et tests de victoire-égalité-défaite) pour valider la supériorité du modèle.

Résultats
Le modèle IFGRVFL-MV a été évalué sur huit ensembles de données de référence (ex: pittsburgh-bridges, breast-cancer, mammographic, Pima).

Performance : Le modèle proposé a atteint la précision de classification moyenne la plus élevée de 81,06 %, surpassant les modèles de base incluant RVFL1 (71,99 %), RVFL2 (70,38 %), GE-IFWRVFL (76,00 %) et GRVFL-MV (79,50 %).
Signification Statistique :
- Le test de Friedman a produit une statistique de 23,714 avec une p-valeur de 0,00009, rejetant l'hypothèse nulle et confirmant des différences de performance significatives entre les modèles. Le modèle proposé a obtenu le meilleur rang moyen (1,19).
- Le test post hoc de Nemenyi a identifié des écarts significatifs entre le modèle proposé et les autres, particulièrement contre GRVFL-MV.
- Le test de rang signé de Wilcoxon a confirmé que l'IFGRVFL-MV surpasse de manière significative RVFL1, RVFL2 et GE-IFWRVFL (p-valeurs < 0,05).
- Analyse Victoire-Égalité-Défaite : À travers les ensembles de données, l'IFGRVFL-MV a obtenu entre 5 et 7 victoires contre les modèles de base, démontrant une supériorité constante.

Signification et Revendications
L'article affirme que l'IFGRVFL-MV représente une avancée prometteuse dans le domaine des environnements d'apprentissage multivue et d'incertitude. En combinant de manière fluide la théorie floue intuitionniste, l'intégration de graphes et l'apprentissage multivue, le modèle répond aux limitations des approches existantes qui traitent ces techniques de manière isolée. Les auteurs affirment que le modèle gère efficacement les ensembles de données bruités et exploite les informations de caractéristiques complémentaires pour atteindre une précision de classification supérieure. Ce travail établit un nouveau standard pour les modèles basés sur le RVFL, bien que les auteurs notent que les travaux futurs se concentreront sur l'optimisation de l'efficacité computationnelle et l'exploration de la scalabilité sur des ensembles de données réels plus vastes.