Fonctions latticielles polynomiales pour l’interpolation et la classification monotone

par Quentin Brabant

Thèse de doctorat en Informatique

Sous la direction de Miguel Couceiro.

Le président du jury était Jean-Luc Marichal.

Le jury était composé de Sébastien Destercke, Alexis Tsoukiàs, Hélène Fargier.

Les rapporteurs étaient Sébastien Destercke, Alexis Tsoukiàs.


  • Résumé

    Une Fonction Latticielle Polynômiale (FLP) sur un treillis L est une fonction p : Ln → L, qui peut être exprimée à partir de variables, de constantes et des opérateurs de treillis ∧ et ∨ . Dans les cas où L est distributif et borné, les FLP incluent les intégrales de Sugeno. Celles-ci sont des fonctions d'agrégation qui permettent de fusionner des valeurs sur des échelles ordinales non numériques, et qui sont utilisées notamment dans l'approche qualitative de l'Aide à la Décision Multi Critères en tant qu'alternatives ordinales aux intégrales de Choquet. Dans une première partie, nous traitons la tâche d'interpolation par des FLP, c'est à dire : pour un treillis L, un sous-ensemble fini D de Ln et une fonction f : D → L, retourner une FLP p : Ln → L telle que p(x) = f(x) pour tout x ∊ D (si une telle FLP existe). Nous traitons successivement le cas où L est un treillis fini et le cas où L est une treillis distributif borné. Dans les deux cas, nous donnons des algorithmes qui résolvent ce problème en temps polynomial. Dans une seconde partie, nous abordons les généralisations des intégrales de Sugeno appelées Fonctions d'Utilité de Sugeno (FUS), qui permettent la fusion de valeurs appartenant à des échelles ordinales différentes, ainsi que leur application à la tâche de classification monotone. Nous introduisons un modèle composé de plusieurs FUS, ainsi qu'un algorithme d'apprentissage d'un tel modèle. Nous comparons ce modèle aux ensembles de règles de décision appris par VC-DomLEM, et étudions le nombre de FUS nécessaires afin de modéliser des données empiriques

  • Titre traduit

    Lattice polynomial functions for interpolation and monotonic classification


  • Résumé

    A Lattice Polynomial Function (LPF) over a lattice L is a map p : Ln → L that can be defined by an expression involving variables, constants and the lattice operators ∧ and ∨. If L is a distributive lattice, these maps include the so-called Sugeno integrals that are aggregation functions capable of merging ordinal values, not necessarily numerical. They are widely used in the qualitative approach to Multiple Criteria Decision Aiding (MCDA), and they can be thought of as the ordinal counterparts of Choquet integrals. In the first part of this thesis, we tackle the task of interpolating a partial function by an LPF, stated as follows: for a lattice L, a finite subset D of Ln, and a function f : D → L, return an LPF p : Ln → L such that p(x) = f(x) for all x ∊ D (if such an LPF exists). We treat the cases where L is a finite lattice, and then the cases where L is a bounded distributive lattice. In both cases, we provide algorithms that solve this problem in polynomial time. In the second part, we consider generalizations of Sugeno integrals in the multi-attribute setting, in particular, the Sugeno Utility Functions (SUFs), that are able to merge values coming from different ordinal scales. We consider the their use in monotonic classification tasks. We present a model based on a set of SUFs and an algorithm for learning such model from data. We compare this model to the sets of monotonic decision rules learned by VC-DomLEM, and study the number of SUFs that are required in order to model empirical data


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université de Lorraine. Direction de la documentation et de l'édition. Bibliothèque numérique.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.