
Evidential neural networks are models that provide uncertainty estimates alongside predictions, enhancing reliability in applications.Les réseaux de neurones évidentiels fournissent les paramètres d’une distribution de Dirichlet pour une tâche de classification, représentant des masses de croyance. Le modèle apprend à attribuer des degrés de preuve élevés à la bonne classe, en minimisant une fonction de perte composée de l’erreur quadratique moyenne attendue et de la divergence de Kullback-Leibler, qui pénalise les preuves attribuées aux autres classes. Cela permet de quantifier l’incertitude épistémique (liée au modèle) et aléatoire (bruit dans les données), ainsi que de détecter les anomalies.
Dempster (1967) et Shafer (1976) ont introduit les fonctions de croyance. Denoeux (1995) a proposé des modèles neuronaux fondés sur cette théorie. En 2018, Sensoy, Kaplan et Kandemir ont étendu l’approche à l’apprentissage profond avec la distribution de Dirichlet. Les travaux récents portent sur la calibration, la robustesse adverse et des applications en médecine et conduite autonome.
La dernière couche produit K valeurs non négatives e_k. Les concentrations de Dirichlet α_k = e_k + a_k. Fonction de perte : L_i(Θ) = ∫ ||y_i – p||² (1/B(α_i)) ∏ p_j^{α_{ij}-1} dp + λ_t D_KL( Dir(p; \tilde{α}_i) || Dir(p; 1) ), où \tilde{α}_i = y_i + (1 – y_i) ⊙ α_i. Cela équivaut à minimiser la perte attendue et pénaliser un Dirichlet non uniforme pour les classes incorrectes. L’incertitude est mesurée par l’entropie de Dirichlet ou la somme des preuves.
Diagnostic médical sécurisé : en plus de détecter une tumeur, le réseau indique un niveau de confiance, avertissant le médecin si la prédiction est incertaine.
Si l’on montre un type d’image totalement nouveau à un réseau évidentiel, il indiquera honnêtement une forte incertitude, contrairement à un réseau classique qui risque de se tromper avec assurance.

















