lipn

Laboratoire d'Informatique de Paris Nord

UMR 7030, Université Paris 13, 99 avenue Jean-Baptiste Clément, 93430 Villetaneuse

up13 cnrs

Aspects théoriques de l'Apprentissage Relationnel

 

Apprentissage relationnel

D'un point de vue théorique, nous avons poursuivi un travail entamé depuis le début des années 90 en satisfiabilité et depuis le début des années 2000 en Apprentissage Artificiel sur l'étude de la complexité typique des algorithmes d'apprentissage. Ce travail a pour but d'évaluer les algorithmes par rapport à la difficulté réelle des problèmes traités et de rechercher les meilleures heuristiques en fonction de la position dans le paysage de la complexité des problèmes. D'un point de vue pratique, nous avons également continué notre travail sur l'algorithmique de l'apprentissage relationnel par Programmation Logique Inductive (PLI).

Résultats :

  • Étude du paysage de la complexité dans le cas de l'apprentissage relationnel, proposition des meilleurs paramètres pour caractériser les problèmes intrinsèquement difficiles [ 2, 3, 4, 5].
  • Proposition d'un opérateur de raffinement de clauses, basé sur une reformulation en Apprentissage Multi-Instances, permettant de traiter les variables numériques de manière efficace en PLI [ 1].

Références

  1. Érick Alphonse, Tobias Girschick, Fabian Buchwald, and Stefan Kramer. « A numerical refinement operator based on multi-instance learning ». In Proceedings of the 20th International Conference on Inductive Logic Programming (ILP 2010), volume 6489 of Lecture Notes in Computer Science, pages 14-21. Springer, 2010. (Revised Paper)
  2. Érick Alphonse and Aomar Osmani. « Phase transition and heuristic search in relational learning ». In Proceedings of the International Conference on Machine Learning and Applications (ICMLA'07), pages 112-117, Cincinnati, Ohio, USA, Dec 2007. IEEE Computer Society.
  3. Érick Alphonse and Aomar Osmani. « A model to study phase transition and plateaus in relational learning ». In Proceedings of the 18th International Conference on Inductive Logic Programming (ILP 2008), volume 5194 of Lecture Notes in Computer Science, pages 6-23. Springer, 2008.
  4. Érick Alphonse and Aomar Osmani. « On the connection between the phase transition of the covering test and the learning success rate in ILP ». Machine Learning, 70(2-3):135-150, 2008.
  5. Érick Alphonse and Aomar Osmani. « Empirical Study of Relational Learning Algorithms in the Phase Transition Framework ». In Proceedings of the European Machine Learning and Knowledge Discovery in Databases (ECML-PKDD 2009), volume 5781 of Lecture Notes in Computer Science, pages 51-66. Springer, 2009.

pres

w3c-xhtml