Description
Date depot: 1 janvier 1900
Titre: Réseaux Bayésiens Orientés Objets : modélisations et algorithmes spécifiques.
Directeur de thèse:
Christophe GONZALES (LIP6)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé:
Les réseaux bayésiens (BNs) représentent aujourd'hui l'un des modèles les plus utilisés pour la représentation des connaissances probabilisées. Un réseau bayésien représente graphiquement la probabilité jointe d'un grand nombre de variable, de manière assez compacte pour pourvoir être manipulée. Des algorithmes d'inférence et d'apprentissage ont été et sont encore développés afin de maîtriser au mieux l'explosion combinatoire inhérente à la représentation exhaustive d'un système complexe.
Dès que les algorithmes de base des BNs se sont révélés assez efficaces pour permettre de tester des modélisations de systèmes complexes et de grande taille, l'idée d'améliorer le modèle par une représentation structurée des BNs a naturellement émergée ; les lacunes de la représentation en BN qu'il s'agit ainsi de combler sont, par exemple, la complexité de l'inférence, la rigidité du langage de représentation, l'effort important que demande la spécification d'un modèle de grande taille, etc.
Depuis une dizaine d'année, un grand nombre de propositions ont donc vu le jour. Ces propositions se basent toutes sur l'idée d'améliorer l'expressivité du langage de description du modèle probabiliste. D'une manière schématique, il y a principalement deux façons principales de voir ces extensions : soit en considérant l'apport du paradigme objet à la programmation, et en tentant d'intégrer les propriétés intéressantes de ce paradigme dans le nouveau langage (encapsulation, réutilisation, spécialisation et hiérarchie, etc.); soit en considérant l'apport de la logique du premier ordre à la déclaration d'expressions logiques et en tentant d'intégrer les concepts que cette logique du premier ordre ajoute (principalement : quantificateurs universels). Les dernières propositions (MEBN) font apparaître une forme de synthèse entre ces approches.
Par ailleurs, cette structuration de haut niveau des BNs pourrait apporter des avantages supplémentaires telles que des algorithmes ad-hoc et plus efficaces, parallélisables. Les algorithmes d'inférence, ou d'apprentissage dans les réseaux bayésiens orientés objets sont encore rares. Si certains algorithmes existent (Flores et al ,2003 , Langseth, and Bangsø (2001)), aucun outil de modélisation disponible n'est capable de fournir les fonctionnalités qui permettraient d'exploiter pleinement cette méthode de modélisation.
Le but de cette thèse est de proposer un cadre unifiant pour ces différentes propositions de réseau bayésien structurés, et de faire émerger des solutions nouvelles, basées sur ce cadre, pour les algorithmes de base du domaine : inférence, apprentissage des paramètres, apprentissage de la structure, etc.
Doctorant.e: Torti Lionel