Cnss : Un Système Neuro-symbolique Cellulaire Pour L'apprentissage Automatique À Partir De Connaissance Empiriques

Résumé: Dans cette thèse, nous avons développé des recherches sur les systèmes d'apprentissage automatique symbolique et adaptatif, et en particulier sur les méthodes d'affectation: acquisition automatique incrémentale de connaissances à partir de connaissances empiriques (exemples). De même, nous avons réalisé différentes expérimentations qui ont servies à la mise en oeuvre d'un nouveau système hybride, nommé système CNSS - Cellular NeuroSymbolic System. Ce système permet, à partir d'une base de cas pratique, de faire coopérer un réseau de neurones, un graphe d'induction et un automate cellulaire pour la construction d'un modèle de prédiction. En détectant et en éliminant les individus non applicables et les variables non pertinentes, le réseau de neurones optimise l'échantillon d'apprentissage. Le résultat du réseau de neurones ainsi obtenu, est affiné par un processus d'apprentissage automatique symbolique à base de graphe d'induction (méthode SIPINA). Ce raffinement se fait par l'automate cellulaire qui va assister SIPINA à l'optimisation du graphe d'induction et assurer, par la suite, la représentation et la génération des règles de production sous formes conjonctives avant d'entamer la phase de validation par un Système Expert Cellulaire. Le système d'apprentissage automatique CNSS a été conçu pour l'acquisition automatique incrémentale de connaissances par induction et la prédiction par déduction. Le système a été testé sur plusieurs applications, en utilisant des problèmes réels comme le diagnostic médical et la prédiction bancaire. Les résultats montrent que le système CNSS a des performances supérieures et de nombreux avantages par rapport aux trois techniques qui le compose, testées séparément et, d’autre part par rapport à d’autre systèmes d'apprentissage symbolique qui existent.

Publié dans la revue: