Constrained and explainable clustering through ensemble methods and declarative models
Le clustering est une tâche d apprentissage non supervisé visant à regrouper des objets similaires en groupes homogènes appelés clusters. Le clustering explicable (XC), branche de l Intelligence Artificielle eXplicable (XAI), vise à rendre les résultats d un clustering plus transparents et interprét...
Enregistré dans:
| Auteur principal: | |
|---|---|
| Autres auteurs: | , , , , , , , |
| Format: | Thèse numérique |
| Langue: | Anglais Français |
| Publié: |
2026.
|
| Sujets: | |
| Accès en ligne: | Accès au texte intégral https://theses.univ-orleans.fr/public/2026ORLE1001_va.pdf https://theses.fr/2026ORLE1001/abes https://theses.hal.science/tel-05652573 |
| Note: |
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) : Bruno Crémilleux (Président du jury) ; Céline Rouveirol, Julien Aligon, Marcílio De Souto, Ronan Bureau, Marie-Jeanne Lesot (Membre(s) du jury) ; Céline Rouveirol, Julien Aligon (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Clustering sous contraintes et explicables fondés sur des méthodes ensemble et des modèles déclaratifs |