Apprentissage de modèles graphiques possibilistes à partir de données

Learning possibilistic graphical models from data

• Auteur / Autrice : Maroua Haddad
• Direction : Philippe Leray, Nahla Ben Amor
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 14/12/2016
• Etablissement(s) : Nantes en cotutelle avec Université de Tunis (1958-1988)
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et mathématiques (Nantes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’Informatique de Nantes Atlantique (UMR 6241) (Nantes)
• Jury : Président / Présidente : Zied Elouedi
• Jury : Examinateurs / Examinatrices : Karim Tabia
• Jury : Rapporteurs / Rapporteuses : Didier Dubois, Eric Lefebvre

Mots clés

Mots clés contrôlés

Apprentissage automatique

Statistique bayésienne

Possibilités, Théorie des

Mots clés libres

Réseaux possibilistes

Résumé

Ce travail s’intègre dans le cadre de l’apprentissage automatique des réseaux possibilistes, la contrepartie possibiliste des réseaux bayésiens qui représentent une combinaison intéressante entre la théorie des possibilités et les modèles graphiques. Cette thèse présente deux contributions majeures. La première contribution consiste à proposer une stratégie de validation pour les algorithmes d’apprentissage des réseaux possibilistes. Cette stratégie propose un processus d’échantillonnage permettant de générer des ensembles de données imprécises à partir de ces modèles et deux nouvelles mesures d’évaluation. Notre deuxième contribution consiste à proposer une approche globale pour l’apprentissage des paramètres et de la structure des réseaux possibilistes. Nous proposons une fonction de vraisemblance possibiliste pour apprendre les paramètres les réseaux possibilistes et définir une nouvelle fonction de score pour apprendre la structure de ces modèles. Une étude expérimentale détaillée montrant la faisabilité et l’efficacité des méthodes proposées a été aussi proposée.

This work fits within the framework of learning possibilistic networks, the possibilistic counterpart of Bayesian networks, which represent an interesting combination between possibility theory and graphical models. This thesis presents two major contributions. The first one consists on proposing a validation strategy for possibilistic networks learning algorithms. This strategy proposes a sampling process to generate imprecise datasets from theses models and two new evaluation measures. Our second contribution consists on proposing a global approach to learn the structure and the parameters of possibilistic networks. We propose a possibilistic likelihood function to learn possibilistic networks parameters and to define a new score function used to learn the structure of these models. A detailed experimental study showing the feasibility and the efficiency of the proposed methods has been also proposed.