Apprentissage de préférences sous incertitude sévère

Learning of preferences under severe uncertainty

• Auteur / Autrice : Loïc Adam
• Direction : Sébastien Destercke
• Type : Thèse de doctorat
• Discipline(s) : Informatique : Unité de recherche Heudyasic (UMR-7253)
• Date : Soutenance le 23/10/2023
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Compiègne)
• Partenaire(s) de recherche : Laboratoire : Heuristique et Diagnostic des Systèmes Complexes [Compiègne] / Heudiasyc

Mots clés

Mots clés contrôlés

Appariement (statistique)

Fusion multicapteurs

Possibilités, Théorie des

Décision multicritère

Systèmes d'aide à la décision

Prise de décision (statistique)

Incertitude

Incertitude (théorie de l'information)

Mots clés libres

Elicitation de préférences

Aide à la décision multicritère

Fusion d'information

Apprentissage de préférences

Uncertainty

Preference elicitation

Multi-criteria decision support

Theory of possibilities

Information fusion

Preference learning

Résumé

Les travaux présentés dans ce manuscrit s’inscrivent dans le cadre de l’aide à la décision multicritère, et plus particulièrement dans la problématique du choix, où un analyste aide à un décideur à prendre la meilleure décision entre plusieurs alternatives multicritères explicites et en nombre fini. L’élicitation de préférences, c’est-à-dire la formalisation des préférences du décideur par l’analyste, permet de déterminer quelle alternative correspond le mieux aux préférences du décideur. Nous nous intéressons dans cette thèse à l’élicitation incrémentale basée sur l’optimisation d’un critère de décision, qui permet de garantir une recommandation finale de qualité, tout en minimisant la charge cognitive pour le décideur. Néanmoins, dans ce type d’élicitation, les approches robustes basées sur des ensembles sont très sensibles aux différentes sources d’incertitude, et les approches probabilistes n’offrent que des garanties en espérance sur la recommandation finale. Notre objectif ici est de proposer une nouvelle approche qui permet de gérer toutes les sources d’incertitude, conservant la plupart des avantages des approches ensemblistes. Pour cela, nous modélisons des préférences incertaines et nous étendons l’approche ensembliste avec la théorie des possibilités, un cadre des probabilités imprécises qui permet de modéliser de l’incertitude. Nous montrons dans cette thèse que notre approche permet de détecter de l’incohérence, quelle qu’en soit la source, tout en offrant des recommandations de meilleure qualité que les approches ensemblistes en cas d’incohérence. De plus, nous avons étudié dans cette thèse plusieurs moyens d’inférer malgré l’incohérence, par exemple sans modifier les informations préférentielles du décideur et sans restaurer la cohérence, ou en restaurant la cohérence via la fusion d’information. Nous étayons nos propositions par des expériences synthétiques qui confirment leur intérêt.

The work presented in this manuscript falls within the framework of multi-criteria decision support, and more specificall within the problem of choice, where an analyst helps a decision-maker to make the best decision between several explicit, finite number of multi-criteria alternatives. Preference elicitation, i.e. the formalization of the decision-maker's preferences by the analyst, helps determine which alternative best matches the decision-maker's preferences. In this thesis, we focus on incremental elicitation based on the optimization of a decision criterion, which guarantees a highquality final recommendation, while minimizing the cognitive load for the decision-maker. Nevertheless, in this type of elicitation, robust set-based approaches are very sensitive to different sources of uncertainty, and probabilistic approaches offer only expectation guarantees on the final recommendation. Our aim here is to propose a new approach that can handle all sources of uncertainty, retaining most of the advantages of set approaches. To this end, we model uncertain preferences and extend the set approach with possibility theory, an imprecise probability framework that allows uncertainty to be modeled. We show in this thesis that our approach is able to detect inconsistency, whatever its source, while offering better quality recommendations than set approaches in the event of inconsistency. Furthermore, in this thesis we have investigated several ways of inferring despite inconsistency.