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...
Guardat en:
| Autor principal: | |
|---|---|
| Altres autors: | , , , , , , , |
| Format: | Thèse numérique |
| Idioma: | Anglais Français |
| Publicat: |
2026.
|
| Matèries: | |
| Accés en línia: | Accès au texte intégral https://theses.univ-orleans.fr/public/2026ORLE1001_va.pdf https://theses.fr/2026ORLE1001/abes https://theses.hal.science/tel-05652573 |
| Nota: |
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 |
| Sumari: | 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 interprétables. En parallèle, le clustering sous contraintes intègre les connaissances de l utilisateur sous forme de contraintes, orientant l apprentissage non supervisé vers des résultats conformes à l expertise humaine. Les approches existantes peuvent rencontrer des limites lorsqu il s agit de concilier interprétabilité, qualité du clustering et intégration flexible de connaissances expertes. Cette thèse propose trois contributions pour répondre à ces défis. Notre première méthode propose un cadre de clustering explicable par conception fondé sur deux espaces (numérique et symbolique) formulé en programmation par contraintes pour sélectionner conjointement des clusters et leurs explications sous forme de motifs interprétables. La deuxième contribution étend le clustering ensemble sous contraintes en proposant d intégrer les connaissances via une méthode post-hoc préexistante cherchant à intégrer des contraintes dans une partition donnée en la modifiant à minima. Notre méthode introduit le concept d ancres représentatives des clusters afin de guider les ajustements de la partition, en tenant compte de la forme des clusters. Enfin, notre dernière approche combine contraintes utilisateur et explications basées sur des exemples en sélectionnant conjointement des clusters et leurs explications sous la forme d objets représentatifs. La pertinence de ces approches est démontrée sur des jeux de données synthétiques et réels, notamment à travers une application en chémoinformatique portant sur le clustering de molécules. Given a set of objects, clustering is an unsupervised learning task that aims to group similar objects into subsets called clusters. Explainable Clustering (XC), emerging from eXplainable Artificial Intelligence (XAI), seeks to make clustering results more transparent and interpretable. In parallel, Constrained Clustering incorporates user knowledge through constraints, steering unsupervised learning toward expert-aligned results. Existing approaches still face challenges in jointly achieving interpretability, clustering quality, and flexible integration of expert knowledge. This thesis proposes three contributions to address these challenges. Our first method proposes a by-design explainable clustering framework based on numerical and symbolic spaces, formulated through constraint programming to jointly select clusters and interpretable pattern-based explanations. Our second contribution extends constrained ensemble clustering by a post-hoc integration of user knowledge. This integration relies on an existing method that minimally modifies a given partition to satisfy constraints. We introduce theconcept of representative anchors of the clusters to guide these adjustments taking into account the cluster shapes. Finally, the third approach combines user constraints and example-based explanations by jointly selecting clusters and representative objects. The relevance of our methods is demonstrated on synthetic and real-world datasets, including a chemoinformatics application on molecular clustering. |
|---|---|
| Descripció de l’ítem: | 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)) |
| Format: | Configuration requise : un logiciel capable de lire un fichier au format : PDF |