Apprentissage de préférences sous incertitude sévère
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
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.