• About us

    La représen­ta­tion des con­nais­sances et le raison­nement (Knowl­edge Rep­re­sen­ta­tion and Rea­son­ing — KRR) d’une part, et l’apprentissage (Machine Learn­ing — ML) d’autre part sont deux domaines impor­tants de l’intelligence arti­fi­cielle (IA) qui se sont dévelop­pés large­ment indépen­dam­ment, en par­ti­c­uli­er depuis près de 30 ans. Et ce, même si le cerveau humain met en œuvre à la fois des capac­ités réac­tives immé­di­ates basées sur l’apprentissage et des capac­ités réflex­ives pour appréhender de nou­velles situations.


    Même si l’induction mode d’inférence cen­tral en appren­tis­sage est une fig­ure de raison­nement, curieuse­ment les recherch­es dans les deux domaines sont restées large­ment séparées. Il existe plusieurs prob­lé­ma­tiques d’apprentissage (regroupe­ment, clas­si­fi­ca­tion, régres­sion, appren­tis­sage par ren­force­ment, appren­tis­sage de con­cepts, fouille de don­nées, …), et plusieurs types d’approche (appren­tis­sage sta­tis­tique, appren­tis­sage pro­fond et réseaux de neu­rones, sépara­teurs à grande marge, arbres de déci­sion, trans­duc­tion, appren­tis­sage rela­tion­nel et pro­gram­ma­tion logique induc­tive, appren­tis­sage analogique, …).

    D’autres par­a­digmes appar­en­tés à l’apprentissage (ensem­bles approx­i­mat­ifs (‘’rough sets’’), analyse formelle de con­cepts, méth­odes neu­ro-floues, …) ont des liens avec la for­mal­i­sa­tion logique. Par ailleurs, le raison­nement à par­tir de don­nées, sou­vent basé sur la sim­i­lar­ité, de la caté­gori­sa­tion à l’interpolation, à l’extrapolation, au raison­nement à par­tir de cas, entre­tient des rela­tions encore large­ment à explor­er et à pré­cis­er avec l’apprentissage.


    Les sujets d’intérêt à la fron­tière entre raison­nement et appren­tis­sage sont nom­breux. Men­tion­nons notam­ment l’usage de « back­ground knowl­edge », l’explicabilité des résul­tats des méth­odes d’apprentissage, le résumé de don­nées, le fonc­tion­nement con­joint et cohérent de mod­ules d’apprentissage et de raison­nement (raison­nement à par­tir de con­nais­sances extraites de don­nées), appren­tis­sage de for­mal­ismes à base de logiques pondérées (e.g., logique de Markov et logique pos­si­biliste, pro­grammes logiques prob­a­bilistes, logiques mul­ti­val­uées, logiques à pri­or­ités), ou encore des prob­lé­ma­tiques comme l’apprentissage à par­tir de don­nées incer­taines ou incom­plètes, ou à par­tir de petites quan­tités de don­nées, l’explicitation d’équivalents logiques de d’estimateurs, de clas­si­fieurs (des inté­grales général­isées de Cho­quet ou de Sugeno aux réseaux de neurones).


    Ce groupe de tra­vail vise à con­tribuer à un rap­proche­ment, à une meilleure com­préhen­sion mutuelle, et sans doute à terme, à un enrichisse­ment des méth­odes, et à une vision unifiée des prob­lèmes d’apprentissage et de raison­nement per­me­t­tant une meilleure syn­ergie entre ces domaines. Le groupe de tra­vail « Appren­tis­sage et Raison­nement » (GT-AR) a pour objec­tif — de réunir un groupe de chercheurs spécialistes d’un des deux domaines et sérieuse­ment intéressés par l’autre,

    • Dans le but de s’intéresser à tous les « points de join­ture » qui peu­vent exis­ter entre les deux domaines.
    • Il ne priv­ilégiera aucune approche par­ti­c­ulière en KRR ou ML. Approches « numérique » et « sym­bol­iques » seront égale­ment considérées.
    • Il s’intéressera en par­ti­c­uli­er aux bases con­ceptuelles et théoriques des approches de façon à com­pren­dre la spé­ci­ficité des prob­lé­ma­tiques et leurs éventuelles complémentarités.

    Groupe de travail : "Apprentissage et Raisonnement”

    Donnons un sens à l'innovation