Apprentissage de modèles à contraintes concis à partir de données sans erreurs : études sur l’acquisition d’équations arithmétiques booléennes et de modèles d’ordonnancement à court terme

Learning concise constraint models from error-free data : studies on learning Boolean-arithmetic equations and short-term scheduling models

• Auteur / Autrice : Ramiz Gindullin
• Direction : Nicolas Beldiceanu
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 25/03/2024
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et le numérique
• Partenaire(s) de recherche : Laboratoire : Théorie, Algorithmes et Systèmes en Contraintes - Département Automatique, Productique et Informatique - Laboratoire des Sciences du Numérique de Nantes
• Jury : Président / Présidente : François Clautiaux
• Jury : Examinateurs / Examinatrices : Nicolas Beldiceanu, Nadjib Lazaar, Jean-Charles Régin
• Jury : Rapporteurs / Rapporteuses : Nadjib Lazaar, Jean-Charles Régin

Mots clés

Mots clés contrôlés

Apprentissage automatique

Programmation par contraintes

Mots clés libres

Programmation par contraintes

Acquisition de modeles

Limites nettes

Constraint programming

Model acquisition

Sharp bounds

Résumé

Utilisant la programmation logique par contrainte, l'objectif de cette thèse est de développer plusieurs techniques d'acquisition de contraintes pour les situations où nous disposons de données sans erreur. De telles situations rendent la majorité des techniques de ML inutilisables et de nouvelles approches sont nécessaires. Les techniques d'acquisition de contraintes proposées sont appliquées à deux cas d'utilisation : la recherche de nouvelles conjectures de limites fortes pour huit objets combinatoires et l'acquisition de contraintes à partir d'un calendrier de production à court terme unique et valide. Les contributions de la thèse comprennent (i) un modèle de contrainte pour acquérir des expressions booléennes-arithmétiques à partir de données, (ii) une base de données générée automatiquement de contraintes anti-réécriture qui empêchent la génération d'équations booléennes-arithmétiques simplifiables, (iii) un certain nombre de techniques de synthèse de formules qui peuvent acquérir une formule unique combinant plusieurs biais d'apprentissage, (iv) l'acquisition d'une variété de contraintes d'ordonnancement telles que les contraintes temporelles, de ressources, de calendrier et d'équipes, et dans ce dernier cas (v) la génération d'un modèle d'ordonnancement MiniZinc.

Using constraint logic programming, the goal of this thesis is to develop several constraint acquisition techniques for the situations where we have error-free data. Such situations render majority of ML techniques unusable and new approaches are required. The proposed constraint acquisition techniques are applied for two use cases: search for new sharp bounds conjectures for eight combinatorial objects and the constraint acquisition from a single valid short-term production schedule. The contributions of the thesis include (i) a constraint model to acquire Boolean-arithmetic expressions from data, (ii) an automatically generated database of anti-rewriting constraints that prevent the generation of simplifiable Boolean-arithmetic equations, (iii) a number of formulae synthesis techniques which can acquire a single formula combining several learning biases, (iv) the acquisition of a variety of scheduling constraints such as temporal, resource, calendar and shift constraints, and in this later case (v) the generation of a MiniZinc scheduling model.