Taux d'encadrement : 100%

Thèse DGA

Dates : 2007-2012

Soutenance : 27/01/2012

Membres du jury :

• Bouissou Marc Prof. Centrale Paris, chercheur EDF
• Nielsen Thomas D. AP Aalborg University [Rapporteur]
• Crück Eva Ingénieur de recherche DGA et Chercheur CREA
• Meganck Stijn Researcher at Vrije Universiteit Brussel
• Perny Patrice Prof. UPMC
• Gonzales Christophe Prof. UPMC
• Wuillemin Pierre-Henri AP UPMC

Lionel Torti (bourse DGA 2007)

Les réseaux bayésiens (BNs) représentent aujourd'hui l'un des modèles les plus utilisés pour la représentation des connaissances probabilisées. Un réseau bayésien représente graphiquement la probabilité jointe d'un grand nombre de variables, de manière assez compacte pour pourvoir être manipulée aisément.

Des algorithmes d'inférence et d'apprentissage ont été et sont encore développés afin de maîtriser au mieux l'explosion combinatoire inhérente à la représentation exhaustive d'un système complexe.

Dés que les algorithmes de base des BNs se sont révélés assez efficaces pour permettre de tester des modélisations de systèmes complexes et de grande taille, l'idée d'améliorer le modèle par une représentation structurée des BNs a naturellement émergée ; les lacunes de la représentation en BN qu'il s'agit ainsi de combler sont, par exemple, la complexité de l'inférence, la rigidité du langage de représentation, l'effort important que demande la spécification d'un modèle de grande taille, etc.

Depuis une dizaine d'années, un grand nombre de propositions ont donc vu le jour. Ces propositions se basent toutes sur l'idée d'améliorer l'expressivité du langage de description du modèle probabiliste. D'une maniére schématique, il y a principalement deux façons notables de voir ces extensions : soit en considérant l'apport du paradigme objet à la programmation, et en tentant d'intégrer les propriétés intéressantes de ce paradigme dans le nouveau langage (encapsulation, réutilisation, spécialisation et hiérarchie, etc.); soit en considérant l'apport de la logique du premier ordre à la déclaration d'expressions logiques et en tentant d'intégrer les concepts que cette logique du premier ordre ajoute (principalement : quantificateurs universels). Les derniéres propositions (PRM, MEBN) font apparaître une forme de synthèse entre ces approches.

Par ailleurs, cette structuration de haut niveau des BNs pourrait apporter des avantages supplémentaires telles que des algorithmes ad-hoc et plus efficaces, parallélisable. Les algorithmes d'inférence, ou d'apprentissage dans les réseaux bayésiens orientés objets sont encore rares. Si certains algorithmes existent (Flores et al ,2003 , Langseth, and Bangsé (2001)), il nous semble que l'état de l'art est loin d'avoir exploiter au maximum cette voie de recherche. En outre, aucun outil de modélisation disponible n'est capable de fournir les fonctionnalités qui permettraient d'exploiter pleinement cette méthode de modélisation.

Le but de cette thèse est de proposer un cadre unifiant pour ces différentes propositions de réseaux bayésiens structurés, et de faire émerger des solutions nouvelles, basées sur ce cadre, pour les algorithmes de base du domaine : inférence, apprentissage des paramétres, apprentissage de la structure, etc.

Bibliographie

• Koller, D. and Pfeffer, A. Object-oriented bayesian networks, in Proceedings of the Thirteenth Conference on Uncertainty in Artificial Intelligence (UAI-97), pp. 302--313, 1997.
• Koller, D. and Pfeffer, A., Probabilistic frame-based systems, in AAAI/IAAI, pp. 580--587, 1998.
• Jaeger, M. Relational Bayesian networks, in Proceedings of the 13th Conference on Uncertainty in Artificial Intelligence, M. Kaufmann, Ed., pp. 266--273, 1997.
• Egar, J. and Musen, M. Graph-grammar assistance for automated generation of influence diagrams, in Proceedings of the 1st Annual Conference on Uncertainty in Artificial Intelligence (UAI-85). Elsevier Science Publishing Company, Inc., 1985.
• Bangsö, O. and Wuillemin, P.-H. (2000a). Top-down construction and repetitive structures representation in Bayesian Networks. Thirteenth International Florida Artificial Intelligence Research Symposium Conference, Florida, USA.
• Bangsö, O. and Wuillemin, P.H., 2000. Object Oriented Bayesian Networks: A Framework for Topdown Specification of Large Bayesian Networks and Repetitive Structures. Technical Report CIT-87.2-00-obphw1. Aalborg: Department of Computer Science, Aalborg University.
• Xiang, Y., Jensen, F. Inference in Multiply Sectioned Bayesian networks with extended Shafer-Shenoy and lazy propagation. In Proceedings on the Fifteenth Conference on Uncertainty in Artificial Intelligence. Pages 680-687. Morgan Kaufmann Publishers, San Francisco, 1999.
• Laskey, K.B., MEBN: A Logic for Open-World Probabilistic Reasoning. George Mason University C4I Center Technical Report C4I06-01, 2006.

Ces informations sont issues du site HAL.