Un système d'apprentissage artificiel multicritère guidé par les besoins utilisateur
par Alexandre Letard
Thèse de doctorat en Informatique
La soutenance a eu lieu le 23-05-2023
Le document qui a justifié la délivrance du diplôme est en cours de traitement par la bibliothèque de l'établissement de soutenance.
Sous la direction de Tassadit Amghar, Olivier Camp et de Nicolas Gutowski.
Thèses en préparation à Angers , dans le cadre de École Doctorale Mathématiques et Sciences et Technologies du numérique, de l’Information et de la Communication (Nantes) , en partenariat avec 9 - LERIA (Laboratoire d'étude et de recherche en informatique d'Angers) (equipe de recherche) et de Sté KARA TECHNOLOGY (entreprise) depuis le 09-01-2020 .
- Apprentissage par renforcement
- Bandits-manchots
- Recommandations à multiple éléments
- Fonctions de récompenses
- Sélection d'algorithme
- Optimisation multicritère
mots clés
-
Résumé
L’usage de systèmes de recommandation pour identifier un sous-ensemble pertinent d’éléments parmi un vaste choix de possibilités est aujourd’hui fréquent. Les algorithmes de bandits-manchots, permettant l’identification en ligne de solutions optimales ont ainsi été largement étendus afin de couvrir les besoins de telles applications. Cette thèse s’ancre dans cette dynamique de recherche autour des sujets suivants : 1) les systèmes de recommandation ; 2) les algorithmes de bandits-manchots ; 3) l’optimisation multicritère. Nos premières contributions ont porté sur l’impact de la fonction de récompense sur les performances d’algorithmes de bandits-manchots. Nous formalisons un modèle générique décrivant ces fonctions et proposons de nouvelles méthodes de sélection des retours utilisateur et de calcul de récompense permettant des améliorations significatives de l’état de l’art. La seconde partie de nos travaux porte sur le problème de la sélection d’algorithme en ligne pour répondre à des problèmes multicritères. Nous proposons l’adaptation d’un algorithme récent de la littérature, Gorthaur au cas de la recommandation à k éléments. Suite à l’évaluation empirique de plusieurs variantes de l’approche, nous proposons Budgeted-Gorthaur-EXP3, visant à satisfaire plusieurs compromis de performances entre les critères à chaque itération.
- Reinforcement learning
- Multi-armed bandit
- Multiple elements recommendation
- Reward functions
- Algorithm selection
- Multicriteria optimization
mots clés
-
Titre traduit
A multicriteria learning system led by users' need
-
Pas de résumé disponible.
