Clustering sous contraintes : intégration incrémentale et active des retours utilisateur
Le clustering sous contraintes vise à exploiter les connaissances des experts lors de la tâche de clustering. Les algorithmes traditionnels supposent que toutes les contraintes pertinentes peuvent être fournies dès le départ, ce qui n'est pas réaliste. Dans cette thèse, nous proposons un cadre...
Uloženo v:
| Hlavní autor: | |
|---|---|
| Další autoři: | , , , , , , |
| Médium: | Thèse numérique |
| Jazyk: | Français |
| Vydáno: |
2025.
|
| Témata: | |
| On-line přístup: | Accès au texte intégral https://theses.univ-orleans.fr/public/2025ORLE1050_vm.pdf http://www.theses.fr/2025ORLE1050/abes https://theses.hal.science/tel-05512570 |
| Poznámka: |
Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes - MIPTIS Partenaire(s) de recherche : LIFO - Laboratoire d'Informatique Fondamentale d'Orléans (Laboratoire) Autre(s) contribution(s) : Pierre Gançarski (Président du jury) ; Nadjib Lazaar, Saïd Jabbour, Christel Vrain, Bruno Crémilleux (Membre(s) du jury) ; Nadjib Lazaar, Saïd Jabbour (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Constrained clustering :, incremental and active feedback integration |
| Shrnutí: | Le clustering sous contraintes vise à exploiter les connaissances des experts lors de la tâche de clustering. Les algorithmes traditionnels supposent que toutes les contraintes pertinentes peuvent être fournies dès le départ, ce qui n'est pas réaliste. Dans cette thèse, nous proposons un cadre de clustering sous contraintes incrémentales, où l'utilisateur réagit aux résultats en ajoutant des contraintes progressivement jusqu'à obtenir satisfaction. Nous commençons par introduire un modèle en programmation par contraintes pour réaliser une modification minimale de partition pondérée par la distance des points modifiés à leur nouvelle affectation. Ce modèle assure la continuité des résultats tout au long du processus itératif, un aspect peu étudié dans le clustering interactif. Les résultats expérimentaux sur des jeux de données classiques montrent que, par rapport à l'état de l'art, notre approche exploite plus efficacement les contraintes pour se rapprocher d'une partition cible, tout en préservant la similarité entre les itérations. Nous proposons ensuite un algorithme de clustering actif adapté au cadre incrémental, fondé sur un modèle supervisé appris à partir des retours utilisateur pour suggérer de nouvelles contraintes. Notre algorithme affiche des performances comparables à l'état de l'art tout en étant généralement plus rapide et en apprenant progressivement la partition désirée. Enfin, nous explorons la gestion des conflits entre contraintes pouvant perturber le bon fonctionnement du système. Nous proposons une mesure d'adéquation de contrainte à un modèle d'apprentissage supervisé entraîné sur les retours utilisateur. Il est alors possible de déterminer les contraintes à relâcher en priorité en fonction de leur adéquation. Constrained clustering aims to exploit expert knowledge during the clustering task. Traditional algorithms assume that all relevant constraints can be given a priori. In this thesis, we develop a framework for constraint-incremental clustering, where the user reacts to results and adds constraints accordingly until satisfaction. In the first part, we propose a constraint programming model for minimum weighted clustering modification that ensures the continuity of results during the iterative process, an overlooked aspect of interactive clustering. Experimental results on known datasets show that our model exploits constraints more effectively to get closer to a target partition than the state of the art, while preserving similarity between two iterations. In the second part, we propose an active clustering algorithm adapted to the incremental framework, which exploits past user feedback to propose new constraints. This algorithm achieves similar performance to the state of the art, while being faster on average and while learning an approximation of the desired partition. Lastly, we examine the case where conflicts arise between constraints, preventing the system from functioning properly. We propose a model-constraint adequacy measure that quantifies how well a constraint aligns with a supervised learning model trained on user feedback. It is then possible to determine which constraints should be relaxed first, based on their adequacy. |
|---|---|
| Popis jednotky: | Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes - MIPTIS Partenaire(s) de recherche : LIFO - Laboratoire d'Informatique Fondamentale d'Orléans (Laboratoire) Autre(s) contribution(s) : Pierre Gançarski (Président du jury) ; Nadjib Lazaar, Saïd Jabbour, Christel Vrain, Bruno Crémilleux (Membre(s) du jury) ; Nadjib Lazaar, Saïd Jabbour (Rapporteur(s)) |
| Médium: | Configuration requise : un logiciel capable de lire un fichier au format : PDF |