ANNONCE DE SOUTENANCE DE THESE
Bonjour,
Vous êtes cordialement invité à venir
dans ma soutenance de thèse. La soutenance aura lieu
le 3 février à 14h30 au Laboratoire LEIBNIZ.
A bientôt.
Amicalement,
Fernando OSORIO.
P.S. I : Pour ceux dont la curiosité les oblige à ne pas attendre
jusqu'à la publication officielle de la thèse...
La version FINALE est desormais disponible sur le Web en format
PostScript (gziped) à l'adresse suivante;
ftp://ftp.imag.fr/pub/Mediatheque.IMAG/theses/1998/Osorio.Fernando-Santos/notice-francais.html
http://inf.unisinos.br/~osorio/these/these.html
ftp://ftp.imag.fr/pub/labo-LEIBNIZ/RESEAUX-D-AUTOMATES/osorio.these.ps.gz
P.S. II : Vous pouvez diffuser cet annonce au tour de vous. Merci.
=======================================================================
INSTITUT NATIONAL POLYTECHNIQUE DE GRENOBLE - I N P G
S O U T E N A N C E DE T H E S E 1998
Monsieur OSORIO, Fernando Santos
soutiendra le 3 février à 14h30
au Laboratoire LEIBNIZ - IMAG, 46 avenue Felix Viallet, Salle C310
une thèse de DOCTORAT de l'INSTITUT NATIONAL POLYTECHNIQUE de GRENOBLE,
spécialité : Informatique - Systèmes et Communication, intitulée :
"INSS - Un Système Hybride Neuro-Symbolique
pour l'Apprentissage Automatique Constructif".
Thèse préparée dans le laboratoire LEIBNIZ,
sous la direction de Monsieur Philippe JORRAND
et sous la co-direction de Monsieur Bernard AMY
Résumé
Plusieurs méthodes ont été développées par l'Intelligence
Artificielle pour reproduire certains aspects de l'intelligence
humaine. Ces méthodes permettent de simuler les processus de
raisonnement en s'appuyant sur les connaissances de base disponibles.
Chaque méthode comporte des points forts, mais aussi des limitations.
La réalisation de systèmes hybrides est une démarche courante qui
permet de combiner les points forts de chaque approche, et d'obtenir
ainsi des performances plus élevées ou un champ d'application plus
large. Un autre aspect très important du développement des systèmes
hybrides intelligents est leur capacité d'acquérir de nouvelles
connaissances à partir de plusieurs sources différentes et de les
faire évoluer.
Dans cette thèse, nous avons développé des recherches sur les
systèmes hybrides neuro-symboliques, et en particulier sur
l'acquisition incrémentale de connaissances à partir de connaissances
théoriques (règles) et empiriques (exemples). Un nouveau système
hybride, nommé système INSS - Incremental Neuro-Symbolic System,
a été étudié et réalisé. Ce système permet le transfert de
connaissances déclaratives (règles symboliques) d'un module symbolique
vers un module connexionniste (réseau de neurones artificiel - RNA)
à travers un convertisseur de règles en réseau. Les connaissances du
réseau ainsi obtenu sont affinées par un processus d'apprentissage à
partir d'exemples. Ce raffinement se fait soit par ajout de nouvelles
connaissances, soit par correction des incohérences, grâce à
l'utilisation d'un réseau constructif de type Cascade-Correlation.
Une méthode d'extraction incrémentale de règles a été intégrée au
système INSS, ainsi que des algorithmes de validation des connaissances
qui ont permis de mieux coupler les modules connexionniste et
symbolique. Le système d'apprentissage automatique INSS a été conçu
pour l'acquisition constructive (incrémentale) de connaissances.
Le système a été testé sur plusieurs applications, en utilisant
des problèmes académiques et des problèmes réels (diagnostic médical,
modélisation cognitive et contrôle d'un robot autonome). Les résultats
montrent que le système INSS a des performances supérieures et
de nombreux avantages par rapport aux autres systèmes hybrides
du même type.
Mots-Clés : Intelligence Artificielle, Apprentissage Automatique
Réseaux de Neurones Artificiels, Système Hybride Neuro-Symbolique,
Acquisition Constructive de Connaissances, Réseau Connexionniste
Incrémental, Insertion et Extraction de Règles, Cascase-Correlation,
INSS.
---------------------------------------------------------------------
INSS : A HYBRID NEURO-SYMBOLIC SYSTEM FOR
CONSTRUCTIVE MACHINE LEARNING
Abstract
Various Artificial Intelligence methods have been developed
to reproduce intelligent human behaviour. These methods allow to
reproduce some human reasoning process using the available knowledge.
Each method has its advantages, but also some drawbacks.
Hybrid systems combine different approaches in order to take
advantage of their respective strengths. These hybrid intelligent
systems also present the ability to acquire new knowledge from
different sources and so to improve their application performance.
This thesis presents our research in the field of hybrid
neuro-symbolic systems, and in particular the study of machine
learning tools used for constructive knowledge acquisition.
We are interested in the automatic acquisition of theoretical
knowledge (rules) and empirical knowledge (examples).
We present a new hybrid system we implemented:
INSS - Incremental Neuro-Symbolic System. This system allows
knowledge transfer from the symbolic module to the connectionist
module (Artificial Neural Network - ANN), through symbolic rule
compilation into an ANN. We can refine the initial ANN knowledge
through neural learning using a set of examples. The incremental ANN
learning method used, the Cascade-Correlation algorithm, allows us
to change or to add new knowledge to the network. Then, the system
can also extract modified (or new) symbolic rules from the ANN and
validate them. INSS is a hybrid machine learning system that implements
a constructive knowledge acquisition method. We conclude by showing
the results we obtained with this system in different application
domains: ANN artificial problems(The Monk's Problems), computer aided
medical diagnosis (Toxic Comas), a cognitive modelling
task (The Balance Scale Problem) and autonomous robot control.
The results we obtained show the improved performance of
INSS and its advantages over others hybrid neuro-symbolic systems.
Keywords: Artificial Intelligence, Machine Learning,
Artificial Neural Networks, Hybrid Neuro-Symbolic Systems,
Constructive Knowledge Acquisition, Incremental ANN,
Rule Compilation and Extraction, Cascase-Correlation, INSS.
MEMBRES DU JURY
Monsieur GRUMBACH Alain, Professeur
ENST (Télécom), Paris
Monsieur PELLEGRINI Christian, Professeur,
Directeur du CUI, Univ. de Genève
Monsieur JORRAND Philippe, Directeur de Recherches,
Directeur du Laboratoire LEIBNIZ - IMAG/INPG, Grenoble
Monsieur AMY Bernard, Ingénieur de Recherche CNRS,
Laboratoire LEIBNIZ - IMAG/INPG, Grenoble
Monsieur ALEXANDRE Frédéric, Chercheur INRIA,
INRIA-Lorraine/CRIN-CNRS, Nancy
Monsieur RIALLE Vincent, Maître de Conférences à l'UJF, Grenoble.
Laboratoire LEIBNIZ - INPG / IMAG
46, avenue Felix-Viallet
38031 Grenoble CEDEX - France