L’Apprentissage Automatique développe des méthodes et des algorithmes pour induire des modèles synthétiques à partir d’exemples et de contre-exemples. Les compétences de l’équipe dans le domaine de la représentation des connaissances et du raisonnement nous ont naturellement amené à contribuer à l’extension des cadres habituels de l’apprentissage vers la prise en compte de l’incertitude et de l’imprécision au niveau de la description des données et des modèles (Prade, Serrurier 2008 ; Serrurier, Raynal 2008 ; Serrurier Prade 2007ab ; Serrurier et al, 2007 ; Serrurier Prade 2006), à l’étude de l’apprentissage vu comme un problème d’argumentation (Amgoud, Serrurier 2008ab), ou encore à l’apprentissage de relations d’ordres, c’est-à-dire apprendre à ordonner de nouvelles instances à partir d’exemples de préférences entre instances ou d’exemples d’instances choisies dans le passé (Chevaleyre et al, 2010 ; Fargier et al, 2019). Nous avons aussi contribué à l’application de la théorie de l’information de Kolmogorov pour des tâches de classification de textes (filtre anti-spam ou classification d’analogies) : l’usage de la notion de distance informationnelle permet de mettre en œuvre des algorithmes classiques de classification (Richard, Doncescu 2008 ; Belabbes Varzinczak, Richard 2008).

Nous avons étudié les aspects théoriques du raisonnement par analogie afin de l’utiliser comme outil d’induction. Nous nous intéressons aussi à l’apprentissage au sens de la théorie de Piaget. Dans ce cadre, la chose apprise se construit toujours par transformation (“accomodation”) d’une structure pré-existante (“assimilatrice”). Ainsi, on n’apprend une nouvelle musique dans la mesure où elle ressemble à d’autres musiques déjà connues. Nous avons élaboré dans ce cadre un programme qui apprend à reconnaître des rythmes musicaux de façon naturelle et non supervisée (Buisson, Quinton, 2009).

Références

  • Leila Amgoud, Mathieu Serrurier. Agents that argue and explain classifications. Dans / In : International Journal of Autonomous Agents and Multi-Agent Systems, Springer, Vol. 16 N. 2, p. 187-209, mars 2008.
  • Leila Amgoud, Mathieu Serrurier. Arguing and explaining classifications. Dans / In : Argumentation in Multi-Agent Systems. Rahwan, Parsons, Reed (Eds.), Springer-Verlag, p. 164-177, Vol. 4946, LNAI, mars 2008.
  • Sihem Belabbes Varzinczak, Gilles Richard. Using SVM and Kolmogorov Complexity for Spam Filtering. Dans / In : International Conference on Artificial Intelligence (FLAIRS 2008), Miami (Florida), AAAI Press, p. 130-135, mai 2008.
  • Jean-Christophe Buisson, Jean-Charles Quinton. Internalized activities. Dans / In : New Ideas in Psychology, Elsevier, 2009.
  • Yann Chevaleyre, Frédéric Koriche, Jérôme Lang, Jérôme Mengin, Bruno Zanuttini. Learning Ordinal Preferences on Multiattribute Domains: the Case of CP-nets. Dans / In : Preference Learning. Hüllermeyer, Fürnkranz (Eds.), Springer, p. 273-296, 2010.
  • Hélène Fargier, Pierre-François Gimenez, Jérôme Mengin. Learning Lexicographic Preference Trees From Positive Examples. Dans / In : Proceedings of the 22nd AAAI Conference on Artificial Intelligence. AAAI Press, p. 2959-2966, 2018.
  • Henri Prade, Mathieu Serrurier. Bipolar version space learning. Dans / In : International Journal of Intelligent Systems, Wiley, Numéro spécial Bipolar Representations of Information and Preference (Part 2 : reasoning and learning), Vol. 23 N. 10, p. 1135-1152, 2008.
  • Mathieu Serrurier, Mathieu Raynal. Learning Fitts’ law with imprecise regression. Dans / In : Annual Meeting of the North American Fuzzy Information Processing Society (NAFIPS 2008), New York, IEEExplore digital library, p. 1-6, mai 2008.
  • Mathieu Serrurier, Henri Prade. Introducing possibilistic logic in ILP for dealing with exceptions. Artificial Intelligence>, Elsevier, Vol. 171, p. 939-950, 2007.
  • Mathieu Serrurier, Henri Prade. A general framework for imprecise regression. Dans / In : IEEE International Conference on Fuzzy Systems (FUZZ-IEEE 2007), London (UK), IEEE, p. 1597-1602, 2007.
  • Mathieu Serrurier, Didier Dubois, Henri Prade, Thomas Sudkamp. Learning fuzzy rules with their implication operators. Dans / In : Data and Knowledge Engineering, Elsevier, Vol. 60, p. 71-89, 2007.
  • Henri Prade, Mathieu Serrurier. Version Space Learning for Possibilistic Hypotheses. Dans / In : European Conference on Artificial Intelligence (ECAI 2006), Riva del Garda, Italy, G. Brewka, S. Coradeschi, A. Perini, P. Traverso (Eds.), IOS Press, p. 801-802, 2006.
  • Gilles Richard, Andrei Doncescu. Spam Filtering using Kolgomorov Complexity Analysis. Dans / In : International Journal of Web and Grid Services, Interscience Publishers, Vol. 4 N. 1, p. 136-148, 2008.