Introduction aux réseaux conceptuels appliqués à l’apprentissage automatique des machines

Résumé

Cette thèse introduit un modèle d’apprentissage machine, nommée réseau conceptuel, pour encoder les expériences sensorielles d’un système informatique ; avec ses unités (prémices, concepts, concepts structuraux, concepts homogènes, concepts hétérogènes), ainsi que les mécanismes nécessaires à la génération et à l’exploitation des unités du réseau : mécanismes de conceptualisation, genèse, activation et évocation. Formé d’unités interconnectées, nommés concepts, le réseau conceptuel se construit automatiquement à partir de données sensorielles brutes selon une complexité (nombre d’unités et relations entre unités) qui tend à suivre celle des phénomènes sensoriels. Ce faisant, la structure du réseau ne modélise pas les relations entrées/ sorties (contrairement aux approches classiques : réseaux de neurones, SVM, arbres de décision, réseaux bayésiens), mais plutôt les phénomènes observés en tant que tels. Le réseau conceptuel se veut ainsi encoder l’univers phénoménologique du système à partir duquel il est possible de développer plusieurs stratégies pour la reconnaissance de formes, la régression ou éventuellement le contrôle de systèmes robotiques. Par exemple pour l’objectif de prédiction, un concept-étiquette pour chaque classe peut être ajouté aux entrées sensorielles du réseau. Lors d’une nouvelle expérience, où les concepts qui encodent la structure des observations s’activent plus en particulier, il est possible de prédire la classe en comparant les énergies des différents concepts-étiquettes. Partant de ce principe, nous présentons quelques exemples préliminaires de réseaux conceptuels utilisés pour la reconnaissance de chiffres (écrits et parlés) et pour la reconnaissance du locuteur. L’avantage du paradigme proposé, par rapport au paradigme traditionnel entré/sortie, est premièrement que le modèle ainsi réalisé peut servir à des tâches quelconques sans nécessiter d’adaptation importante de la structure et des paramètres du réseau, n’étant pas optimisés pour des tâches spécifiques. En second lieu, la construction automatique du réseau permet d’atteindre une complexité structurelle qui se limite à celle des phénomènes observés : avec, potentiellement, des millions d’unités et milliards de connexions. En opposition, encoder des expériences phénoménologiques de complexité inconnue (et potentiellement dynamique) s’avérerait plus difficile avec des modèles dont la structure est fixe ; si tel était l’objectif de ces modèles. Troisièmement, les réseaux conceptuels ont la particularité d’apprendre rapidement avec peu d’exemples. Pour les corpus de grande taille, la gestion du taux d’apprentissage (et la complexité inhérente de la structure) est un défi pour le moment. Les limites et les perspectives à venir y sont discutées.

Date	2 nov. 2023
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Patrick Cardinal (Directeur(-trice)) & Pierrich Plusquellec (Codirecteur(-trice))