Soutenance de thèse de Lionel Torti

Bonjour,

j'ai le plaisir de vous inviter à ma soutenance de thèse ainsi qu'au pot qui suivra.

La thèse est intitulée: "Inférence probabiliste structurée dans les modèles graphiques probabilistes orientés-objet".

La soutenance aurai lieu le vendredi 26 janvier 2012 à 14h00 dans la salle 101, couloir 25-26 au LIP6 - 4, place Jussieu - 75005 Paris.

Le jury sera composé de :
- Thomas D. Nielsen - Aalborg University ;
- Marc Bouissou - EDF R&D - École Centrale Paris ;
- Eva Crück - DGA - CREA ;
- Stijn Meganck - Vrije Universiteit Brussel ;
- Patrice Perny - LIP6 ;
- Christophe Gonzales - LIP6 ;
- Pierre-Henri Wuillemin - LIP6.

Résumé :

Les modèles graphiques probabilistes (MGP) sont particulièrement utilisés dans
les domaines du diagnostique automatique, de la sûreté de fonctionnement et de
la maitrise des risques. Pour ces applications, les réseaux bayésiens (RB) sont
parmi les MGP les plus populaires, car ils offrent un cadre efficace pour la
représentation des connaissances et le raisonnement probabiliste. Toutefois,
la modélisation des systèmes complexes avec des RB soulèvent des difficultés,
les principaux étant l'impossibilité de réutiliser l'existant et la difficulté
pour modéliser des systèmes de grandes tailles. Vers la fin des années 1990,
plusieurs extensions des RB allaient lancer le développement des modèles
probabilistes du premier ordre (MPPO). Alors que la communauté des chercheurs
en IA se concentra sur la fusion de la logique du premier ordre avec les MGP,
les difficultés pour modéliser des systèmes complexes à l'aide de RB furent
laissées de côtés. Néanmoins, il y a encore de nombreux manques dans les
extensions orientés-objet des RB: pouvons nous mieux définir l'héritage ?
Comment représenter des concepts tels que le polymorphisme, le prototypage ou encore
l'abstraction ? Quelles sont les différences entre les MPPO et les MGP
orientés-objet ?

Lorsque les connaissances d'experts sont utilisées pour modéliser un système,
l'inférence probabiliste est une des principales applications des RB. Il
existe une grande variété d'approches, chacune exploitant un aspect
particulier des RB (conditionnement, arbre de jonction, CNF, etc.). Mais,
lorsque nous considérons les extensions des RB, il y a peu d'algorithmes
dédiés. En effet, la plupart des extensions utilisent l'inférence "groundée",
ie. que le modèle est transformé en RB pour y appliquer des algorithmes
d'inférence classiques. Parmi les algorithmes dédiés, Structured Variable
Elimination (SVE, Pfeffer 1999) exploite les modèles orientés-objet. Il réduit
le nombre de calcul en utilisant la répétition structurelle caractéristique
des modèles orientés-objet. Toutefois, SVE a des défauts qui empêchent son
utilisation sur des systèmes conçus par des experts dans lesquels il n'y a pas
d'incertitude structurelle, ie. dans des mondes fermés.

L'objectif de cette thèse est de développer une modélisation orienté-objet pour
les MGP et de généraliser l'inférence structurée. Après une analyse de l'état
de l'art, nous proposons une comparaison des différents paradigmes de
représentation (orienté-objet, entité relation, premier ordre). Puis nous
présentons notre première contribution: une formalisation complète du paradigme
orienté-objet pour les MGP. Nous utilisons les modèles probabilistes
relationnels (MPR) comme base que nous étendons pour inclure des concepts tel
que l'héritage multiple, l'abstraction, le polymorphisme et l'héritage de type.

La deuxième contribution de cette thèse est l'étude et la généralisation de
l'algorithme SVE. SVE exploite l'information structurelle représentée par les
classes et réduit les calculs redondants. Nous proposons une reformulation de
SVE et analysons ses principaux défauts. Puis nous généralisons SVE en
étendant la notion d'inférence structurée à notre formalisme. Ceci donne une
nouvelle forme d'inférence appelée Inférence Probabiliste Structurée (IPS).
Finalement, nous montrons comment l'analyse en d-séparation et l'inférence
structurée peuvent être utilisées conjointement pour améliorer les
performances de IPS.

La troisième contribution de cette thèse repousse un peu plus loin le concept
de l'inférence structurée. Nous exploitons un algorithme de recherche de sous
graphes pour détecter une répétition de motifs dans un système. Ces motifs
définissent une répétition de structure de haut niveau, appelée classe
dynamique, qui peut être exploitée pour améliorer IPS. Nous proposons une
analyse de la complexité du problème et un algorithme approché pour trouver de
"bonnes" classes dynamiques. Nous fournissons des résultats expérimentaux étayant
notre approche.

Mots clés : modèles graphiques probabilistes, systèmes complexes, passage à
l'échelle, représentation des connaissances, réseaux bayésiens orienté-objet,
modèle relationnels probabilistes, inférence probabiliste structurée.

Bien cordialement,
Lionel Torti.
__________________________________________________________
PhD student - Doctorant
http://www-ia.lip6.fr/~torti
Office: T. 26-00 B. 401 | 4, place Jussieu | 75252 | Paris Cedex 05 | France
Phone: +33 1 44 27 70 07 | fax: +33 1 44 27 88 89
__________________________________________________________