Modélisation et optimisation multi-objectifs pour l'extraction de connaissance

Multi-objective modeling and optimisation for knowledge discovery

• Auteur / Autrice : Charles Vernerey
• Direction : Samir Loudni
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 14/11/2023
• 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
• Jury : Président / Présidente : Christine Solnon
• Jury : Examinateurs / Examinatrices : Samir Loudni, Pierre Schaus, Bruno Crémilleux, Patrick Meyer, Arnaud Soulet, Sébastien Destercke, Nicolas Beldiceanu
• Jury : Rapporteurs / Rapporteuses : Pierre Schaus, Bruno Crémilleux

Mots clés

Mots clés contrôlés

Apprentissage automatique

Exploration de données

Optimisation globale

Programmation par contraintes

Mots clés libres

Programmation par contraintes

Optimisation multi-objectifs

Fouille de motifs

Apprentissage de préférences

Constraint programming

Multi-objective optimisation

Pattern mining

Preference learning

Résumé

L'objectif de cette thèse est de développer des approches novatrices pour représenter efficacement les préférences de l'utilisateur, dans des contextes de décision multi-objectifs, en vue d'extraire des connaissances intéressantes. Dans un premier temps, nous introduisons un nouveau modèle de Programmation Par Contraintes (PPC) pour extraire des motifs Pareto optimaux (aussi appelés skypatterns), qui passe à l'échelle. Nous montrons ensuite comment les skypatterns peuvent être utilisés pour extraire des règles d'association de haute qualité et non redondantes sans avoir à fixer de seuil, contrairement aux approches de l'état de l'art. Puis, nous allons plus loin que la Pareto optimalité pour représenter les préférences de l'utilisateur en introduisant une nouvelle approche basée sur l'intégrale de Choquet, une fonction d'aggrégation complexe qui permet de prendre en compte les interactions (positives ou négatives) entre les mesures utilisées pour évaluer la qualité d'un motif. Enfin, nous présentons une nouvelle librairie PPC écrite en Java pour modéliser et résoudre plusieurs problèmes de fouille de motifs.

The objective of this thesis is to develop innovative approaches to effectively represent user preferences in multi-objective decision contexts for the extraction of interesting knowledge. Firstly, we introduce a new Constraint Programming (CP) model to efficiently extract Pareto optimal patterns (also known as skypatterns) that scales effectively. Next, we demonstrate how skypatterns can be leveraged to extract high-quality, non-redundant association rules without the need to set thresholds, in contrast to existing state-of-the-art approaches. We then go beyond Pareto optimality to represent user preferences by introducing a novel approach based on the Choquet integral, a complex aggregation function that accounts for interactions (positive or negative) between the measures used to evaluate pattern quality. Lastly, we present a new Java-based CP library for modeling and solving several pattern mining problems.