Améliorer le raisonnement dans l'incertain en combinant les modèles relationnels probabilistes et la connaissance experte

Improving uncertain reasoning combining probabilistic relational models and expert knowledge

• Auteur / Autrice : Mélanie Munch
• Direction : Juliette Dibie-Barthélemy
• Type : Thèse de doctorat
• Discipline(s) : Informatique appliquée
• Date : Soutenance le 17/11/2020
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Agriculture, alimentation, biologie, environnement, santé (Paris ; 2015-....)
• Partenaire(s) de recherche : référent : AgroParisTech (France ; 2007-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Mathématiques et Informatique Appliquées (Paris)
• Jury : Président / Présidente : Nacéra Seghouani-Bennacer
• Jury : Examinateurs / Examinatrices : Nacéra Seghouani-Bennacer, Manfred Jaeger, Madalina Croitoru, Cristina Manfredotti, Pierre-Henri Wuillemin, Thomas Guyet, Fatiha Saïs
• Jury : Rapporteurs / Rapporteuses : Manfred Jaeger, Madalina Croitoru

Mots clés

Mots clés contrôlés

Intelligence artificielle

Ontologies (informatique)

Analyse

Algorithmes

Modèles relationnels probabilistes

Statistique bayésienne

Mots clés libres

Modèle Relationnel Probabiliste

Graphe de connaissance

Découverte causale

Probabilistic Relationnal Model

Knowledge graph

Causal discovery

Résumé

Cette thèse se concentre sur l'intégration des connaissances d'experts pour améliorer le raisonnement dans l'incertitude. Notre objectif est de guider l'apprentissage des relations probabilistes avec les connaissances d'experts pour des domaines décrits par les ontologies.Pour ce faire, nous proposons de coupler des bases de connaissances (BC) et une extension orientée objet des réseaux bayésiens, les modèles relationnels probabilistes (PRM). Notre objectif est de compléter l'apprentissage statistique par des connaissances expertes afin d'apprendre un modèle aussi proche que possible de la réalité et de l'analyser quantitativement (avec des relations probabilistes) et qualitativement (avec la découverte causale). Nous avons développé trois algorithmes à travers trois approches distinctes, dont les principales différences résident dans leur automatisation et l'intégration (ou non) de la supervision d'experts humains.L'originalité de notre travail est la combinaison de deux philosophies opposées : alors que l'approche bayésienne privilégie l'analyse statistique des données fournies pour raisonner avec, l'approche ontologique est basée sur la modélisation de la connaissance experte pour représenter un domaine. La combinaison de la force des deux permet d'améliorer à la fois le raisonnement dans l'incertitude et la connaissance experte.

This thesis focuses on integrating expert knowledge to enhance reasoning under uncertainty. Our goal is to guide the probabilistic relations’ learning with expert knowledge for domains described by ontologies.To do so we propose to couple knowledge bases (KBs) and an oriented-object extension of Bayesian networks, the probabilistic relational models (PRMs). Our aim is to complement the statistical learning with expert knowledge in order to learn a model as close as possible to the reality and analyze it quantitatively (with probabilistic relations) and qualitatively (with causal discovery). We developped three algorithms throught three distinct approaches, whose main differences lie in their automatisation and the integration (or not) of human expert supervision.The originality of our work is the combination of two broadly opposed philosophies: while the Bayesian approach favors the statistical analysis of the given data in order to reason with it, the ontological approach is based on the modelization of expert knowledge to represent a domain. Combining the strenght of the two allows to improve both the reasoning under uncertainty and the expert knowledge.