Compilation & Apprentissage dans les Réseaux de Contraintes Hervé Cros Directeurs :Frédéric Koriche Joël Quinqueton.

Slides:



Advertisements
Présentations similaires
Candidature à une allocation de recherche en informatique
Advertisements

MOT Éditeur de modèles de connaissances par objets typés
« Systèmes électroniques »
Algorithmes et structures de données avancées Cours 7
IREMIA : Institut de REcherche en Mathématiques et Informatique Appliquées Université de la Réunion Uniformisation des mécanismes de conception de SMA.
10/31/02 Leïla Merghem - LIP6 Une approche Multi-Agents pour la Simulation de Réseaux de Télécommunications Leïla Merghem (LIP 6) Dominique Gaïti (LIP.
Relational Learning as a Search in a Critical Region Lou Fedon 9 Mars 2006.
Détecteurs de fautes pour réseaux dynamiques P. Sens, L. Arantes, M. Bouillaguet Projet REGAL.
Algorithmes et structures de données avancés
Graphes et Applications Thème de léquipe « Combinatoire et Algorithmique » LaBRI – janvier 2008.
2002 Exploratoire ASTRÉE : Analyse Statique de logiciels Temps-RÉel Embarqués 1)Le problème considéré est de démontrer statiquement (à la compilation)
Cours 3-a Méthode des éléments finis 1D
Département Informatique Responsable :M. Huchard Responsables adjoints : A. Jean-Marie, F. Koriche, P. Séébold.
Un exemple de système EDA d'index supérieur distillation réactive avec réactions chimiques instantanément équilibrées Dr. Karim Alloula (ingénieur informatique.
Echantillonnage Introduction
David Co-Van Gildas Colin Sébastien Garon. Reconstituer la courbe des zéro-coupons grâce à un ensemble dobligations Méthode des moindres carrés généralisés.
Diagram-Based Techniques
Cours d'algorithmique 11 / Intranet 1 9 janvier 2006 Cours dAlgorithmique N P - complétude.
Application de réseaux bayésiens à la détection de fumées polluantes
Yann Chevaleyre et Jean-Daniel Zucker
Complexité et Classification
Le remplacement moléculaire
Chapitre II.Rappels mathématiques et complexité
Sélection automatique d’index et de vues matérialisées
L’objectif est de présenter
Concepts avancés en mathématiques et informatique appliquées
Apprendre à partir des observations
Support Vector Machine
CHALLENGE ROADEF 2001 Résolution par une métaheuristique à base de recherche à voisinage variable et propagation par contraintes Fabrice BUSCAYLET Fabrice.
Graphes Conceptuels J.F. Baget Inria.
Applications du perceptron multicouche
Introduction à la conception de Bases de Données Relationnelles
Programmation linéaire
ALGORITHMIQUE en classe de seconde
Méthode des k plus proches voisins
Ordonnancement avec exclusion mutuelle par un graphe d’intervalles ou d’une classe apparentée : complexité et algorithmes ~ Frédéric Gardi - 14 Juin.
Les points importants des chapitres 1 et 2. Ce quil faut retenir Les 2 conception du pgcd() (méthode force brute et diminuer pour régner) Définition de.
MOT Éditeur de modèles de connaissances par objets typés
Les réseaux de neurones
théories de l’apprentissage courants
Universté de la Manouba
Eléments de théorie anthropologique
Vincent Thomas Christine Bourjot Vincent Chevrier
Design dun système de vision embarqué. Application:
MASTER SIS, 1ere année Présentation de l'option 13 : Représentation des connaissances et raisonnement Odile PAPINI &Eric WÜRBEL
L ABORATOIRE d I NGÉNIERIE des S YSTÈMES A UTOMATISÉS EA 4014 – Université dAngers Institut des Sciences et Techniques de lIngénieur dAngers Master2 Recherche.
Réseaux bayésiens Chap. 14 Sections 1 – 3.
Patrons de conceptions de créations
Recherche d’ensembles chromatiques
Conception et analyse des algorithmes
Algorithmes et Programmation
D.E ZEGOUR Ecole Supérieure d’Informatique. Problèmes de décision Concepts de base Expressions régulières Notation particulière pour exprimer certaines.
S. Canu, laboratoire PSI, INSA de Rouen
Méthodes et outils de conception Introduction à la programmation Paramètre de retour Appel d’une fonction Portée des variables Définition Pourquoi les.
2008/ Plan du cours 1.Introduction –Contenu du cours 2.Logique mathématique –Calcul propositionnel –Calcul des prédicats –Logique floue et aide à.
Réseaux de neurones à base radiale
RAISONNEMENT À PARTIR DE CAS R à PC. PLAN DU TRAVAIL Introduction Introduction Raisonnement analogique Raisonnement analogique Principe et étapes de R.
INF3500 : Conception et implémentation de systèmes numériques Pierre Langlois Performance de circuits.
Améliorer la qualité d’adaptation dans les hypermédias éducatifs
SVM machine à vecteurs de support ou séparateur à vaste marge
ADOMOCA 13 novembre 2008 S. Massart Assimilation des données d’ozone de SA-IASI Sébastien Massart CERFACS : A. Piacentini, D. Cariolle SA : C. Clerbaux,
Knowledge discovery in Databases (KDD)
Sabrina Tollari, Hervé Glotin, Jacques Le Maitre
4ème journées PDM IA - Vendredi 7 mai 2004 Recherche en ligne pour la résolution de PDMs Laurent Péret, Frédérick Garcia INRA Toulouse, équipe Méthodes.
1 Gestion des voitures médecins d'Urgences-Santé Michel Gendreau Émilie Frot¹ Gilbert Laporte Frédéric Semet¹ Centre de recherche sur les transports Université.
Extreemly Random Trees + SubWindows HOURRI Soufiane NAIT ABDELLAH OUALI Ismail OUFQIR Anouar OUSSAFI Mohammed.
Localisation collaborative dans les réseaux de capteurs
TP n°3 – Implantation d’un atelier de mécanique avec le logiciel Impact   Une entreprise de décolletage souhaite aménager une zone stockage produit fini.
Nadine Postiaux Bureau d’Appui pédagogique en Polytech L’Apprentissage par Problème et par projet à l’Université.
Réseaux bayésiens pour la recommandation au sein d’un configurateur Anr BR4CP Mathieu Serrurier IRIT.
Transcription de la présentation:

Compilation & Apprentissage dans les Réseaux de Contraintes Hervé Cros Directeurs :Frédéric Koriche Joël Quinqueton

Plan Motivations La Compilation de connaissances  Le concept  Les limites L’approximation  Altération de la sémantique  Altération de la structure L’apprentissage  Le modèle  Les expérimentations Conclusion et perspectives

Les réseaux de contraintes Un réseau est composé de : Variables Domaines Contraintes Instance complète, Instance partielle, Solution. X1 X2 X3 X4

Motivations Le problème est NP-Complet Résolutions répétitives Configurations  d’ordinateurs  de voitures  d’appartements  …

La compilation 2 phases Baisser la complexité Entité à compiler Question Base Compilée Réponse Phase off-linePhase on-line

Les questions à compiler R ?  Existe-t-il une voiture que vous puissiez vendre ? X1 X2 X3 X4 d 1 ={rouge, vert, bleu} d 2 ={ radio, radio+CD, radio+k7, rien} Réseau R requête R’ R  (x1=v1  x2=v2 ...) ?  Avez-vous une voiture de couleur rouge, avec radio+CD ? R  (x 1  d’ 1  x 2  d’ 2 ...) ?  Avez-vous une voiture rouge ou verte, avec radio ou radio+CD ? R  R’ ?  Je voudrais une voiture rouge avec climatisation et un prix inférieur à € sinon une rouge avec toit ouvrant mais alors avec radio+CD.

Les questions à compiler R ?  Trivialement compilable R  (x 1 = v 1  x 2 = v 2 ...) ?  CNQ : non compilable dans le cas général  Théorème : CNQ  CompP  (  2 = 2 ) R  (x 1  d’ 1  x 2  d’ 2 ...) ?  Théorème : DR-CNQ  CompP  (  2 = 2 ) R  R’ ?  Théorème : Free-CNQ  CompP  (  2 = 2 ) p p p p p p

Les questions à compiler Les instances partielles sont une frontière:  Les questions plus simples ne sont pas utiles  Les questions plus complexes ne sont pas compilables

L’approximation Une méthode issue de la compilation Borne Sup Borne Inf Base Compilée Réseau de contraintes Question Réponse Phase off-linePhase on-line

Principe de l’approximation Borne Sup Borne Inf Espace des solutions ?  Non ?  Oui ?  ??

Approximation Approximation par la sémantique :  Les ZOA Approximation par la structure :  Les arbres

Approximation par la sémantique : la classe ZOA Zero One All Bornes Supérieures : une unique Least Upper Bound Bornes Inférieures : de l’ordre de (d!) n² Lower Bound X1X1 X2X2

Approximation par la structure : les arbres La classe des réseaux en arbre Borne Supérieure : Algorithme de construction d’une Least Upper Bound

L’apprentissage Une vision similaire à la compilation Réseau de contraintes Question Base Compilée Réponse Phase off-line Phase on-line Phase d’apprentissagePhase d’exécution Base de connaissances

L’Instance Based Learning Stockage des exemples et contre-exemples Méthode du plus proche voisin Basé sur une notion de distance ?- +?

Différences avec l’IBL 3,*,*,rouge,*,*,* + 5,1,3,rouge,2,5,6 3,1,3,rouge,2,5, ? p Question de type « existe-t-il …». Utilisation du réseau par l’intermédiaire d’oracles  2 systèmes possibles. Oracle Polynomial Oracle Non Polynomial

Expérimentations Paramètre des réseaux aléatoires :  100 variables avec un domaine de 5 valeurs  densité du réseau : 0.3  dureté des contraintes : variable Données d’apprentissage :  800 exemples et 400 contre-exemples Test de 400 requêtes aléatoires Tout cela sur 5 réseaux de contraintes

Impact de la taille des instances partielles Forte décroissance. Décalage à gauche de la transition de phase. Collé au flanc gauche.

Temps de réponse des différentes méthodes __ Méthode de référence __ Méthode utilisant les deux oracles __ Méthode n’utilisant que l’oracle polynomial

Impact du biais sur le taux d’erreur Taux d’erreur de la méthode n’utilisant que l’oracle polynomial

Perspectives Etudier l’approximation avec d’autres classes de réseaux de contraintes. Tester l’apprentissage avec des données réelles. Intégrer la révision automatique de connaissances.