Exceptional model mining meets multi-objective optimization : Application to plant growth recipes in controlled environments
Fouille de modèles exceptionnels et optimisation multi-objectifs : Application aux recettes de pousse de plantes en environnements contrôlés
Résumé
In today's society, information is becoming ever more pervasive. Designing new Pattern Discovery methods, that allow for the semi-automatic discovery of relevant information and knowledge, is crucial. We consider data made of descriptive attributes, where one or several of these attributes can be considered as target label(s). When a unique target is considered, Subgroup Discovery aims at discovering subsets of objects - subgroups - whose target label distribution significantly deviates from that of the overall data. Exceptional Model Mining is a generalization of Subgroup Discovery that enables the discovery of significant local deviations in complex interactions between several targets. Multi-objective Optimization methods, which find optimal trade-offs between competing objectives, are essential. Although these research fields possess extensive literature, their cross-fertilization has been considered only sparsely. We investigate the design of methods for the discovery of relevant parameter values driving the optimization of a process. Our first contribution is OSMIND, a Subgroup Discovery algorithm that leverages advanced techniques for search space reduction to return an optimal pattern in purely numerical data. Our second contribution consists of a generic iterative framework that leverages the actionability of Subgroup Discovery to solve optimization problems. Our third and main contribution is Exceptional Pareto Front Mining, a new class of models for Exceptional Model Mining that involves cross-fertilization between Pattern Discovery and Multi-objective Optimization. Empirical studies have been carried out on each contribution to illustrate their relevance. Our methods are generic and can be applied to many application domains. To assess the actionability of our contributions in real life, we consider plant growth recipe optimization in controlled environments, the application scenario that has motivated our work. It is an intrinsic Multi-objective optimization problem. On synthetic and real-life data, we show that our methods allow for the discovery of parameter values that optimize the yield-cost trade-off of growth recipes.
Dans la société actuelle, l'information devient de plus en plus pervasive. La conception de méthodes de découverte de motifs permettant la découverte semi-automatique d'informations pertinentes ou de connaissances est cruciale. Nous considérons des données mettant en jeu un ensemble d'attributs descriptifs, avec un ou plusieurs de ces attributs qui peut (peuvent) être considéré(s) comme variable(s) cible(s). Quand on a un seul attribut cible, la découverte de sous-groupes vise à découvrir des sous-ensembles d'objets -- des sous-groupes -- dont la distribution de l'étiquette cible dévie significativement de celle de l'ensemble des données. La fouille de modèles exceptionnels est une généralisation de la découverte de sous-groupes permettant la découverte de déviations locales significatives dans des interactions complexes entre plusieurs variables cibles. Dans un monde où tout doit être optimisé, les méthodes d'optimisation multi-objectifs, qui trouvent les compromis optimaux entre plusieurs variables concurrentes, sont essentielles. Bien que ces différents domaines de recherche possèdent une littérature riche, leur fertilisation croisée n'a été que peu étudiée. Nous nous intéressons à la conception de méthodes permettant la découverte de valeurs de paramètres pertinentes pour l'optimisation d'un processus. Notre première contribution est OSMIND, un algorithme de découverte de sous-groupes qui retourne un motif optimal dans des données purement numériques. Notre seconde contribution consiste en un framework itératif générique qui met à profit l'exploitabilité de la découverte de sous-groupes pour résoudre des problèmes d'optimisation. Notre troisième et principale contribution est la fouille de frontières de Pareto exceptionnelles, une nouvelle classe de modèles pour la fouille de modèles exceptionnels, qui implique une fertilisation croisée entre la découverte de motifs et l'optimisation multi-objectifs. La pertinence de chacune de nos contributions a été confirmée à travers des études empiriques approfondies. Nos méthodes sont génériques et peuvent être utilisées dans de nombreux domaines d'application. Pour évaluer l'exploitabilité de nos contributions en situation réelle, nous considérons le problème d'optimisation de recettes de pousse de plantes en environnements contrôlés, le scénario d'application qui a motivé nos travaux. C'est un problème intrinsèquement multi-objectifs. À partir de données synthétiques et réelles, nous démontrons que nos méthodes permettent la découverte de valeurs de paramètres optimisant le compromis rendement/coûts de recettes de pousses.
Domaines
Intelligence artificielle [cs.AI]| Origine | Version validée par le jury (STAR) |
|---|