Réseaux de neurones artificiels et connaissances symboliques : insertion, raffinement et extraction

Symbolic knowledges and neural networks : insertion, refinement and extraction

• Auteur / Autrice : Nedjari, Tayeb
• Direction : Daniel Kayser
• Type : Thèse de doctorat
• Discipline(s) : Sciences appliquées
• Date : Soutenance en 1998
• Etablissement(s) : Paris 13

Résumé

La proliferation et le grand succes des applications incorporant des reseaux de neurones artificiels (rna) dans plusieurs domaines montrent l'utilite du paradigme rna. Neanmoins, ce paradigme a une limite : son incapacite inherente a fournir une explication des resultats obtenus. C'est essentiellement pour vaincre cette limite que plusieurs chercheurs se sont interesses a combiner les rna et les systemes symboliques de maniere a profiter de leurs avantages et eviter leurs faiblesses. Dans cette these, nous decrivons notre contribution a ce domaine de recherche. Nos travaux s'articulent autour de trois axes : l'insertion de connaissances dans un rna, l'extraction de regles a partir d'un rna et l'utilisation d'un rna pour raffiner une base de regles existante. Dans le premier axe : apres une etude critique des principales techniques developpees, nous avons propose deux techniques d'extraction de regles. La premiere, miter, associe a chaque neurone un calibre de poids. Ce dernier est traduit sous forme d'une regle symbolique de la forme m-parmi-n. La seconde, emire, extrait des regles a partir d'un rna sans tenir compte de sa structure interne et en utilisant uniquement ses entrees pertinentes. Dans le deuxieme axe : apres une presentation des principales techniques existantes, nous avons propose deux techniques d'insertion de regles symboliques dans un rna. La premiere, ruleneur, associe a chaque regle ecrite sous une forme normale disjonctive un neurone. La seconde, opneur, associe a chaque operateur logique (et ou ou) un neurone. Dans le troisieme axe, apres une presentation des differents systemes hybrides, nous avons propose le systeme ranni qui combine les deux axes precedents en utilisant un module probabiliste pour leur mise-a-jour.