Représentation hybride des réseaux causaux possibilistes

Les réseaux bayésiens sont des outils efficaces de représentation des connaissances en présence d’incertitude.

Le succès de ces modèles est lié à leur capacité de représenter et de manipuler des relations de
(in)dépendance qui sont importantes pour une gestion efficace des informations incertaines.

Les réseaux causaux possibilistes sont des adaptations des réseaux bayésiens dans le cadre de la théorie des possibilités.

Notre travail consiste à étudier une représentation hybride des réseaux causaux possibilistes. L’incertitude au niveau des noeuds n’est plus représentée par des distributions de possibilité, mais par leurs représentations compactes qui sont les bases de connaissances possibilistes.

La décomposition des connaissances sur un réseau de variables nécessite des calculs locaux au niveau des noeuds de ce réseau. Nous présentons dans le cadre de cette représentation, une extension des algorithmes de propagation par arbre jonction pour l’inférence à partir de DAG a connexions multiples.