Bibliothèque Java dédiée à l'analyse de données incertaines via la théorie de Dempster-Shafer. Elle permet de modéliser des croyances et de combiner des informations issues de sources variées pour évaluer la plausibilité d'événements ou de décisions. Utilisée dans des contextes où les données sont incomplètes ou ambiguës, elle aide à structurer des raisonnements complexes pour des applications en intelligence artificielle, sécurité ou gestion de risques.

Ce projet est un framework dédié à l'inférence bayésienne, permettant de modéliser des phénomènes complexes et d'analyser des données incertaines. Il facilite l'application de méthodes statistiques avancées comme le Metropolis-Hasting ou l'optimisation CMA-ES. Utilisé notamment en recherche médicale, il aide à déterminer des doses thérapeutiques optimales et à comprendre des dynamiques épidémiologiques.

Ce projet propose des algorithmes pour analyser et optimiser des requêtes SPARQL sur des bases de connaissances incertaines représentées par des triplets RDF. Il identifie les sous-requêtes défaillantes (αMFS) et génère des requêtes alternatives réussies (αXSS) pour éviter les réponses vides ou non conformes à un seuil de certitude donné. Les algorithmes implémentés incluent αLBA, NLBA, Bottom-Up, Top-Down et Hybrid.