blob: 6201b3738f53ef12f3cec3f7bb9af9697cc5d506 (
plain)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
|
{
\usebackgroundtemplate{\includegraphics[width=\paperwidth]{images/background/card/background.pdf}}
\begin{frame}
%\vspace{70px}
\hspace{70px}
\begin{minipage}{250px}
\centering
\Large
\textcolor{accent}{
Un nouvel algorithme d'apprentissage ensembliste pour l'AIA.
}
\vspace{20px}
\normalsize
Inférence d'un attribut sensible en utilisant la prédiction du modèle cible
\end{minipage}
\end{frame}
}
\begin{frame}
\frametitle{AIA pour la prédiction}
\input{tikz/ef}
\pause
\vspace{10px}
\emph{$n^m$ applications à essayer !}
\vspace{10px}
Question de recherche :
\emph{comment choisir la meilleure application sans les essayer toutes ?}
\vspace{10px}
On cherche $a:F\rightarrow G$ telle que
$P_{a\circ f\circ X}$ approche $P_{S}$.
\end{frame}
\begin{frame}
\frametitle{Classification finie}
\begin{minipage}[t]{0.2\linewidth}
\begin{tabular}{cc}
\textbf{Y}&\textbf{S}\\
0&$\bigcirc$\\
2&$\times$\\
1&$\bigcirc$\\
0&$\bigcirc$\\
2&$\times$\\
0&$\bigcirc$\\
1&$\bigcirc$\\
1&$\bigtriangleup$\\
0&$\bigcirc$\\
2&$\bigcirc$\\
1&$\bigcirc$\\
1&$\bigtriangleup$\\
2&$\bigcirc$\\
2&$\bigcirc$\\
\end{tabular}
\end{minipage}
\begin{minipage}[t]{0.75\linewidth}
On cherche une fonction $a$ de $F = \{0,1,2\}$ dans $G = \{\bigcirc,\bigtriangleup,\times\}$.
\\\vspace{0.5cm}\\
Nous n'allons pas essayer les \emph{$3^3=27$ fonctions}.
\\\vspace{0.5cm}\\
A la place, étudions deux manières de \emph{ranger le jeu de données}.
\end{minipage}
\end{frame}
\begin{frame}
\frametitle{Premier rangement}
\input{tikz/chaussette/a}
\end{frame}
\begin{frame}
\begin{definition}[Exactitude\footnote{\textit{Accuracy}}]
L'exactitude de $a$ pour prédire $S$ est
\begin{equation*}
A(a) = P(a\circ f\circ X=S)
\end{equation*}
\end{definition}
\pause
\frametitle{Maximisation de l'exactitude}
\begin{theorem}
L'application qui maximise l'exactitude est
\begin{equation*}
a: \left\{
\begin{matrix}
F\rightarrow G\\
e\mapsto \text{argmax}_{i\in G} P(S=i|f\circ X=e)
\end{matrix}
\right.
\end{equation*}
\end{theorem}
\vspace{10px}
\footnotesize
\textit{The behavior-knowledge space method for combination of multiple classifiers}, Huang, YS et Suen, C.Y. 1993
\end{frame}
\begin{frame}
\frametitle{Problème avec la maximisation de l'exactitude}
\begin{minipage}{0.4\linewidth}
\begin{tabular}{cccc}
&\textcolor{principale}{Faux Positifs}&\textcolor{principale}{Faux Négatifs}&\textcolor{principale}{Exactitude}\\
\textcolor{principale}{$\bigcirc$}&100\%&0\%&100\%\\
\textcolor{principale}{$\bigtriangleup$}&0\%&100\%&0\%\\
\textcolor{principale}{$\times$}&0\%&100\%&0\%\\
\end{tabular}
\vspace{20px}
\pause
Déséquilibre dans les classes\footnote{\textit{Class imbalance}} :
\begin{itemize}
\item $P(S=\bigcirc)=\frac{10}{14}\simeq 71\%$
\item $P(S=\bigtriangleup)=\frac{2}{14}\simeq 14\%$
\item $P(S=\times)=\frac{2}{14}\simeq 14\%$
\end{itemize}
\end{minipage}
\pause
\hspace{50px}
\begin{minipage}{0.4\linewidth}
\vspace{70px}
\begin{figure}
\includegraphics[width=1.2\linewidth]{images/race_split.pdf}
\caption{Ethnies\footnote{\textit{Races}} en Alabama}
\end{figure}
\end{minipage}
\end{frame}
\begin{frame}
\frametitle{Deuxième rangement}
\vspace{5px}
\input{tikz/chaussette/ba}
\end{frame}
\begin{frame}
\frametitle{Maximisation de l'exactitude équilibrée}
\begin{definition}[Exactitude équilibrée\footnote{\textit{Balanced accuracy}}]
\begin{equation*}
BA(a) = \frac{1}{\#G}\sum_{i\in G}P(a\circ f\circ X=i\mid S=i)
\end{equation*}
\end{definition}
\pause
\begin{theorem}
L'application qui maximise l'exactitude équilibrée est
\begin{equation*}
a:\left\{
\begin{matrix}
F \rightarrow G\\
e\mapsto \text{argmax}_{i\in G}P(f\circ X=e|S=i)
\end{matrix}
\right.
\end{equation*}
\end{theorem}
\end{frame}
\begin{frame}
\frametitle{Problème avec la maximisation de l'exactitude}
\emph{Maximisation de l'exactitude}
\vspace{5px}
\begin{tabular}{cccc}
&\textcolor{principale}{Faux Positifs}&\textcolor{principale}{Faux Négatifs}&\textcolor{principale}{Exactitude}\\
\textcolor{principale}{$\bigcirc$}&100\%&0\%&1\\
\textcolor{principale}{$\bigtriangleup$}&0\%&100\%&0\\
\textcolor{principale}{$\times$}&0\%&100\%&0\\
\end{tabular}
\vspace{10px}
\emph{Maximisation de l'exactitude équilibrée}
\vspace{5px}
\begin{tabular}{cccc}
&\textcolor{principale}{Faux Positifs}&\textcolor{principale}{Faux Négatifs}&\textcolor{principale}{Exactitude}\\
\textcolor{principale}{$\bigcirc$}&0\%&60\%&40\%\\
\textcolor{principale}{$\bigtriangleup$}&25\%&0\%&100\%\\
\textcolor{principale}{$\times$}&25\%&0\%&100\%\\
\end{tabular}
\end{frame}
\begin{frame}
\frametitle{Evaluation expérimentale de la classification finie}
\begin{figure}
\centering
\begin{subfigure}[t]{0.45\linewidth}
\centering
\includegraphics[width=\linewidth]{images/finit/COMPAS.pdf}
\caption{Prédiction du récidivisme (COMPAS)}
\end{subfigure}
\begin{subfigure}[t]{0.45\linewidth}
\centering
\includegraphics[width=\linewidth]{images/finit/LAW.pdf}
\caption{Prédiction de la réussite à l'examen du barreau (LAW)}
\end{subfigure}
\end{figure}
La classification finie est
\begin{itemize}
\item \emph{$3\times$ plus rapide} qu'une forêt aléatoire sur (LAW)
\item \emph{$4\times$ plus rapide} qu'une forêt aléatoire sur (COMPAS)
\end{itemize}
\end{frame}
\begin{frame}
\frametitle{Conclusion sur l'AIA de la prédiction}
\begin{itemize}
\item Nous avons construit une \emph{fonction d'attaque $a$} de $F$, l'ensemble des \emph{prédictions possibles du modèle cible} vers $G$, l'ensemble des \emph{attributs sensibles}.
\pause
\item Cette fonction \emph{maximise l'exactitude équilibrée}.
\end{itemize}
\end{frame}
|
