Hybridation de la programmation génétique avec du machine learning spécialisé

Hybridization between Cartesian Genetic Programming and specialized Machine Learning

• Auteur / Autrice : Camilo De la torre
• Direction : Sylvain Cussat-blanc
• Type : Projet de thèse
• Discipline(s) : Informatique et Télécommunications
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Université Toulouse Capitole
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications
• Partenaire(s) de recherche : Laboratoire : IRIT : Institut de Recherche en Informatique de Toulouse
• Partenaire(s) de recherche : Equipe de recherche : REVA - Réel Expression Vie Artificielle

Mots clés

Mots clés libres

Programmation genetique

Multimodalite

Evolution

Genetic programming

Multimodal

Evolution

Résumé

L'objectif est d'hybrider le Genetic Programming avec des algorithmes de machine learning type Support Vector Machine, Decision Tree, Random Forest, réseaux de neurones (MLP et Deep learning) pour potentialiser les capacités de la programmation génétique dans certaines tâches. Nous développerons cette approche théorique dans l'analyse d'images biomédicales. Par exemple, dans une tâche d'analyse d'images, il existe un certain nombre de réseaux de neurones convolutifs pré-entraînés pour détecter, segmenter ou classifier des structures dans les images. L'aspect limitant de ces approches est leur manque de transparence dans leur raisonnement. Notre hypothèse est qu'en hybridant les deux approches, les résultats seront améliorés en termes de performance et seront équivalents à ceux obtenus par les approches blackbox en profitant des capacités d'apprentissage des algorithmes de machine learning. Nous escomptons de plus une amélioration de l'explicabilité des modèles obtenus car ces modèles seront constitués d'un ensemble de blocs de machine learning spécialisés dans une tâche précisément décrite. Ainsi, même si chaque modèle Machine Learning n'est pas explicable, l'ensemble du pipeline le sera du fait que les modèles de Machine Learning seront entraînés à détecter des structures bien précises. Nous utiliserons du Cartesian Genetic Programming pour les assembler est produire des pipelines de segmentation et ou de classification d'images par rapport à des pathologies identifiées. Nous estimons aussi que l'utilisation de modèles ML spécialisés permettra d'améliorer la performance générale des pipelines en agençant des modèles plus efficaces sur des tâches simples plutôt que de produire de gros modèles entrainés à résoudre des tâches complexes.

The aim of our study is to hybridize Genetic Programming with Machine Learning algorithms such as Support Vector Machines, Decision Trees, Random Forests, Neural Networks (MLP and Deep learning) in order to enhance the capabilities of Genetic Programming in certain tasks. We will develop this theoretical approach for the field of biomedical image analysis. For example, in an image analysis task, there are a number of pre-trained convolutional Neural Networks (CNN) designed to detect, segment or classify structures in images. The limiting aspect of these approaches is their lack of transparency regarding their reasoning. Our hypothesis is that by hybridizing the two approaches, the results will be improved in terms of performance and will be equivalent to those obtained by black box approaches by taking advantage of the learning capabilities of Machine Learning algorithms. Moreover, we expect to see an improvement in the explicability of the models obtained, as these models will be made up of a set of Machine Learning blocks specialized in a precisely described task. So, even if a given Machine Learning model is not explicable on its own, the whole pipeline will be, because the Machine Learning blocks will be trained to detect very specific structures. We will use Cartesian Genetic Programming to assemble them and produce interpretable pipelines for image segmentation and/or classification in relation to identified pathologies. We also believe that the use of specialized Machine Learning models will improve the overall performance of Genetic Programming's pipelines by arranging more efficient models on simple tasks, rather than producing large models trained to solve multiple complex tasks.