close

Se connecter

Se connecter avec OpenID

Apprentissage d`espaces prétopologiques pour l`extraction de

IntégréTéléchargement
Ecole Doctorale MIPTIS
Apprentissage d'espaces prétopologiques
pour l'extraction de connaissances structurées.
Directrice de thèse : Guillaume Cleuziou – MCF HDR
Equipe d'accueil : LIFO – EA 4022 – Université d'Orléans
Libellé de la Direction Scientifique Principale du thème : 9
Libellé de la Direction Scientifique Secondaire du thème :
Libellé Discipline par rapport à la Direction Scientifique Principale : 911 Informatique et
Applications
L'Extraction de Connaissances à partir de Données (ECD) consiste à exploiter de manière
automatique ou semi-automatique les données stockées par les systèmes d'information dans le
but d'extraire des informations originales (relations entre objets, corrélations, tendances,
modèles d'interprétation) et utiles dans un processus d'aide à la décision. Les traitements dans
les processus d'ECD sont généralement issus des statistiques (analyse des données) et de
l’intelligence artificielle (apprentissage automatique/fouille de données).
Les travaux de recherche menés dans cette thèse porteront sur l'extraction de connaissances
structurées, c'est-à-dire modélisées sous forme de graphes (arbres, DAG ou réseaux
quelconques). Étant donné un ensemble partiel de relations déjà établi, l'objectif est alors
d'apprendre – dans un contexte semi-supervisé – les relations cachées structurant la globalité
des éléments constitutifs de la connaissance. Nous avons développé une nouvelle approche
(LPS) consistant à apprendre un modèle de propagation à partir de relations de voisinages et
nous avons montré que, dans le contexte décrit précédemment, cette méthode permet
d'atteindre des structurations complexes jusqu'ici non accessibles par des méthodes classiques
d'apprentissage (statistique et/ou symbolique).
La méthode LPS (Learning Pretopological Spaces) s'appuie sur la théorie de la prétopologie
qui généralise la topologie classique et la théorie des graphes. La prétopologie, exploitée dans
un contexte multi-critères, permet de définir de nouveaux opérateurs de combinaisons de
voisinages afin de modéliser des phénomènes de propagation/diffusion complexes, formalisés
par une fonction d'adhérence. Le problème d'extraction de nouvelles relations, à partir de
relations existantes connues, peut alors être abordé par l'apprentissage d'une fonction
d'adhérence induisant une propagation adéquate, c'est-à-dire favorisant la mise en relation
d'éléments pertinents. L'étude menée jusqu'ici s'est limitée à l'apprentissage d'une classe de
fonctions d'adhérence, à savoir des fonctions booléennes simples (à seuil), réalisé par une
approche évolutionnaire (type algorithme génétique).
L'objectif de la thèse sera d'exploiter la méthode LPS décrite ci-dessus selon plusieurs
directions : il s'agira (1) d'étendre la sémantique des modèles en considérant de nouvelles
classes de fonctions d'adhérence (fonctions booléennes positives pour commencer), (2)
d'améliorer l'efficacité des méthodes d'apprentissage en proposant de nouvelles approches
(logiques et multi-objectifs) de manière à envisager l'acquisition de grandes structures de
connaissances et (3) d'élargir le champ d'application de cette méthode (jusqu'ici utilisée pour
construire des taxonomies lexicales) vers d'autres domaines tels que les réseaux biologiques
ou sociaux.
Repères bibliographiques
Guillaume Cleuziou & Gaël Dias : Learning Pretopological Spaces for Lexical Taxonomy
Acquisition, (to appear) in European Conference on Machine Learning and Principles and
Practice of Knowledge Discovery in Databases (ECML/PKDD'2015). 2015.
Guillaume Cleuziou, Davide Buscaldi, Vincent Levorato, Gaël Dias: A pretopological
framework for the automatic construction of lexical-semantic structures from texts. CIKM
2011: 2453-2456
Christine Largeron, Stéphane Bonnevay: A pretopological approach for structural analysis.
Inf. Sci. 144(1-4): 169-185 (2002)
Z. Belmandt, Manuel de prétopologie, Hermès, 1993.
email du directeur de thèse : Guillaume.Cleuziou@univ-orleans.fr
Le directeur de thèse complètera le tableau ci-dessous sur le devenir des doctorants qu'il a
encadrés au cours des 5 dernières années (cf. charte des thèses) :
doctorants
Durée de la thèse
Valorisation (articles,
brevets, etc)
Devenir du doctorant
Auteur
Document
Catégorie
Uncategorized
Affichages
5
Taille du fichier
65 KB
Étiquettes
1/--Pages
signaler