Apprentissage Supervisé Relationnel par Algorithmes d'Évolution - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2000

Supervised Relational Machine Learning using Evolutionary Algorithms

Apprentissage Supervisé Relationnel par Algorithmes d'Évolution

Sébastien Augier
  • Fonction : Auteur
  • PersonId : 952822

Résumé

This thesis investigates the application of evolutionary-based algorithms to the problem of inducing relational rules from positive and negative examples. We first study a language bias that allows enough expressivity to cover at the same time relational learning from interpretations, and classical propositional languages. Even though the induction cost for these languages is characterized by NP-completeness on the subsumption test, a practical solution suitable for real complex problems is proposed. The SIAO1 system, which uses this language bias to learn relational rules, is then presented. It is based on an evolutionary search strategy characterized by: - mutation and crossover operators driven by background knowledge and learning examples; - a bottom-up search direction that respects the ordering relation defined over the language. SIAO1 is then compared to other systems on various classical machine learning bases, proving its polyvalency. These tests also show that this system compares well to the other approaches and that few learning and evaluation biases are demanded from the user. The third part of this work concerns two generic parallel architectures derived from asynchronous master-slave and pipeline models. These architectures are studied from the point of view of their scalability (ie. dependance on the dataset size) and expected speed-up. A simple but accurate prediction model to forecast the performance of these architectures is also proposed.
Cette thèse concerne l'apprentissage de règles relationnelles à partir d'exemples et de contre-exemples, à l'aide d'algorithmes évolutionnaires. Nous étudions tout d'abord un biais de langage offrant une expressivité suffisamment riche pour permettre de couvrir à la fois le cadre de l'apprentissage relationnel par interprétations et les formalismes propositionnels classiques. Bien que le coût de l'induction soit caractérisé par la complexité NP-difficile du test de subsomption pour cette classe de langages, une solution capable de traiter en pratique les problèmes réels complexes est proposée. Le système SIAO1, qui utilise ce biais de langage pour l'apprentissage de règles relationnelles est ensuite présenté. Il est fondé sur une stratégie de recherche évolutionnaire qui se distingue principalement des approches classiques par: - des opérateurs de mutation et de croisement dirigés par la théorie du domaine et par les exemples d'apprentissage; - le respect de la relation d'ordre définie sur le langage. L'évaluation du système sur plusieurs bases faisant référence en apprentissage automatique montre que SIAO1 est polyvalent, se compare favorablement aux autres approches et sollicite peu l'utilisateur en ce qui concerne la spécification de biais de recherche ou d'évaluation. La troisième partie de ce travail propose deux architectures parallèles génériques derivées des modèles maître-esclave asynchrone et du pipeline. Elles sont étudiées dans le cadre de l'extraction de connaissances à partir de données à l'aide de SIAO1 du point de vue de l'accélération qu'elles procurent d'une part et de leur capacité à changer d'échelle d'autre part. Un modèle de prédiction simple mais précis des performances de chacune des architectures parallèles est également proposé.
Fichier principal
Vignette du fichier
THESE.pdf (3.1 Mo) Télécharger le fichier
EXPOSE.PS (491.74 Ko) Télécharger le fichier
EXPOSE_SUITE.PS (2.24 Mo) Télécharger le fichier
RESUME_L.PS (218.24 Ko) Télécharger le fichier
Format : Autre
Format : Autre
Format : Autre
Loading...

Dates et versions

tel-00947322 , version 1 (15-02-2014)

Identifiants

  • HAL Id : tel-00947322 , version 1

Citer

Sébastien Augier. Apprentissage Supervisé Relationnel par Algorithmes d'Évolution. Apprentissage [cs.LG]. Université Paris Sud - Paris XI, 2000. Français. ⟨NNT : ⟩. ⟨tel-00947322⟩
337 Consultations
497 Téléchargements

Partager

Gmail Facebook X LinkedIn More