Thèse soutenue

Apprentissage de modèles à règle majoritaire à partir de données partiellement monotones
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Pegdwendé Minoungou
Direction : Vincent MousseauWassila OuerdanePaolo Scotton
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 13/05/2022
Etablissement(s) : université Paris-Saclay
Ecole(s) doctorale(s) : École doctorale INTERFACES : approches interdisciplinaires, fondements, applications et innovation
Partenaire(s) de recherche : Laboratoire : Mathématiques et informatique pour la complexité et les systèmes (Gif-sur-Yvette, Essonne ; 2006-....)
référent : CentraleSupélec (2015-....)
graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
Jury : Président / Présidente : Patrick Meyer
Examinateurs / Examinatrices : Marc Pirlot, Meltem Öztürk, Miguel Couceiro
Rapporteurs / Rapporteuses : Marc Pirlot, Meltem Öztürk

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

Le domaine de l’Aide à la Décision Multicritère (ADMC), s’interesse à évaluer des alternatives suivant des critères dans le but de recommander la “meilleure” solution au décideur. Dans ce contexte, nous considerons le paradigme d’apprentissage de préférences - comparable à l’approche en Machine Learning - qui consiste à déduire à partir des observations passées du décideur, les paramètres du modèle qui correspondent au mieux à ses préférences. Notre modèle (MR-Sort) est issu de la famille des modèles de surclassement, dans lequel une alternative a surclasse une autre alternative b s’il existe une forte coalition de critères (majorité) favorable au surclassement de a par rapport à b. Dans la littérature de l’ADMC, les méthodes et algorithmes étudiés pour les problèmes de tri – classification dans des catégories prédéfinies et ordonnées - ont toujours eu pour but l’inférence de modèles MRSort connaissant le sens de préférence des critères et à partir de préférences monotones (croissantes ou décroissantes). Dans cette thèse, nous étendons l’état de l’art à l’étude des préférences dites "singlepeaked" (resp. "single-valley"), qui améliorent l’expressivité des modèles MR-Sort. Un critère single-peaked est caractérisé par deux monotonies successives (croissante puis décroissante). Ainsi, nous étudions des problèmes d’apprentissage des paramètres de MR-Sort à partir de préférences monotones et single-peaked, quelle que soit la connaissance à priori des sens de préférences des critères. Nous proposons une méthode exacte, des heuristiques et des tests pour évaluer et comparer nos algorithmes suivant le temps de calcul, le taux de classification et de restitution des sens de préferences.