Relational Learning as a Search in a Critical Region Lou Fedon 9 Mars 2006.

Présentation au sujet: "Relational Learning as a Search in a Critical Region Lou Fedon 9 Mars 2006."— Transcription de la présentation:

1 Relational Learning as a Search in a Critical Region Lou Fedon 9 Mars 2006

2 Contexte et Problématique Calculabilité et complexité de lapprentissage relationnel NP-difficile au pire Représentation sous forme dune variable aléatoire Trois classes de problèmes: YES région NO région Mushy région (qui comprend la phase de transition)

3 Modélisation dun problème relationnel et Apparition de la transition de phase Espace (n,N,m,L) de représentation des problèmes dapprentissage relationnel n: nombre de variables de h m: nombre de prédicats dans h L: nombre de constantes dans E N: nombre de lignes dans chaque table de E Critères : m et L Génération dhypothèses et de base dexemples (état de lart) -> Apparition de la transition de phase

4 Motivation Mise en relation de la présence de la transition de phase avec la réussite de la transition de base

5 Protocole expérimental (1) Génération dun problème fonction (m,L) Deux ensembles dexemples (apprentissage et test) distribués identiquement sur + et – Autres paramètres: Prédicats binaires n=4

6 Protocole expérimental (2) Trois algorithmes : FOIL, SMART, G-NET Trois critères : La précision de la prédiction Lidentification du concept Le coût computationnel

7 Résultats : Catégorisation en 3 classes de problèmes Problèmes faciles : correctement identifiés Problèmes faisables : généralisation correcte Problèmes durs : non résolus

8 Résultats: La transition de phase un attracteur? Concentration des hypothèses générées par lalgorithme Critère darrêt des top-down Critère darrêt des GA Aspect discriminatoire de la transition de phase

9 Résultats : lidentification correcte de lhypothèse ? Optimisation gloutonne du critère de gain dinformation non pertinent pour les premiers littéraux Problématique du backtrack Mais pertinent au niveau de la transition de phase

10 Résultats : la région NO On arrive à de bonnes généralisation Contre intuitif mais… Beaucoup de prédicats -> la distribution sous-jacente est plus discrimante

11 Perspectives Algorithmes bottom-up, connaissance à priori Reconsidérer les stratégies dapprentissage : -> tenir compte de la transition de phase

12 Point de vue personnel Article complet dans modélisation mais questions en suspens Passage à léchelle Problèmes naturels