Révision automatique des connaissances guidant l'exploration informée d'arbres d'états : application au contexte de la généralisation de données géographiques

Automatic revision of knowledge guiding informed search tree exploration : application to the context of geographic data generalisation

• Auteur / Autrice : Patrick Taillandier
• Direction : Alexis Drogoul
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'information géographique
• Date : Soutenance le 02/12/2008
• Etablissement(s) : Paris Est
• Ecole(s) doctorale(s) : Information, Communication, Modélisation et Simulation
• Partenaire(s) de recherche : Laboratoire : Laboratoire Conception Objet et Généralisation de l'Information Topographique (COGIT)
• Jury : Examinateurs / Examinatrices : Antoine Cornuejols, Alexis Drogoul, Cécile Duchene, Alain Mille, Nicolas Regnauld, Jean-Daniel Zucker

Mots clés

Mots clés contrôlés

Système d'information géographique

Mots clés libres

Révision des connaissances

Exploration informée d'arbres d'états

Diagnostic de la qualité des connaissances

Généralisation de données géographiques

Systèmes d'information géographique

Knowledge revision

Informed tree search strategy

Quality knowledge diagnosis

Geographic data generalisation

Résumé

Cette thèse traite de la révision automatique des connaissances contenues dans les systèmes fonctionnant par exploration informée d'arbres d'états. Ces systèmes, de par leur performance, sont employés dans de nombreux domaines applicatifs. En particulier, des travaux ont proposés d’utiliser cette approche dans le cadre de l'automatisation de la généralisation de données géographiques. La généralisation de données géographique s'intéresse à la dérivation, à partir de données géographiques détaillées, de données moins détaillées adaptées à un besoin particulier (e.g. changement d'échelle). Son automatisation, enjeu majeur pour les agences cartographiques telles que l'Institut Géographique National (IGN), est particulièrement complexe. Les performances des systèmes basés sur l’exploration informée d'arbres d'états sont directement dépendantes de la qualité de leurs connaissances (heuristiques). Or, la définition et la mise à jour de ces dernières s'avèrent généralement fastidieuses. Dans le cadre de cette thèse, nous proposons une approche de révision hors ligne des connaissances basée sur le traçage du système et sur l'analyse de ces traces. Ces traces sont ainsi utilisées par un module de révision qui est chargé d'explorer l'espace des connaissances possibles et d'en modifier en conséquence les connaissances du système. Des outils de diagnostic en ligne de la qualité des connaissances permettent de déterminer quand déclencher le processus de révision hors ligne des connaissances. Pour chaque méthode et approche que nous présentons, une mise en oeuvre est détaillée et expérimentée dans le cadre de l'automatisation de la généralisation de données géographiques

This work deals with automatic knowledge revision in systems based on an informed tree search strategy. Because of their efficiency, these systems are used in numerous fields. In particular, some literature work uses this approach for the automation of geographic data generalisation. Geographic data generalisation is the process that derives data adapted to specific needs (e.g. map scale) from too detailed geographic data. Its automation, which is a major issue for national mapping agencies like Institut Géographique National (IGN), is particularly complex. The performances of systems based on informed tree search are directly dependant on their knowledge (heuristics) quality. Unfortunately, most of the time, knowledge definition and update are fastidious. In this work, we propose an offline knowledge revision approach based on the system logging and on the analysis of these logs. Thus, the logs are used by a revision module which is in charge of the system knowledge revision by knowledge space exploration. Tools for online knowledge quality diagnosis allow to determine when the offline knowledge process should be activated. For each method and each approach presented, an implementation is proposed in the context of geographic data generalisation