Langues : English français
Accueil > Manifestations > Thèses et HDR > Thèses > Montassar Ben Messaoud

Montassar Ben Messaoud

Directeur de thèse

Philippe Leray
Nahla Ben Amor

Résumé

En réponse au besoin croissant de réutiliser les connaissances déjà existantes lors de l’apprentissage des
réseaux bayésiens causaux, les connaissances sémantiques contenues dans les ontologies présentent une
excellente alternative pour assister le processus de découverte causale. Dans ce contexte, la présente thèse
s’intéresse plus particulièrement au croisement entre les réseaux bayésiens causaux et les ontologies et établit
les bases théoriques d’une approche cyclique intégrant les deux formalismes de manière interchangeable.
En premier lieu, on va intégrer les connaissances sémantiques contenues dans les ontologies pour anticiper
les meilleures expérimentations au travers d’une stratégie fortuite. En effet, les connaissances sémantiques
peuvent inclure des relations causales en plus de la structure hiérarchique. Ces relations seront alors intégrées
dans le processus d’apprentissage de structure (partiellement) causale à partir des données d’observation.
Nous présentons également une stratégie décisionnelle basée sur le calcul de distances sémantiques
pour guider le processus de découverte causale et s’engager davantage sur des pistes inexplorées. L’idée
provient principalement du fait que les concepts les plus rapprochés sont souvent les plus étudiés. Pour cela,
nous proposons de favoriser les expérimentations au niveau des concepts les plus distants. La seconde direction
complémentaire concerne un procédé d’enrichissement par lequel il sera possible de réutiliser ces
découvertes causales et soutenir le caractère évolutif de l’ontologie.

Abstract

With the rising need to reuse the existing domain knowledge when learning causal bayesian networks, the
ontologies can supply valuable semantic information to define explicit cause-to-effect relationships. This thesis
studies the crossing-over between causal bayesian networks and ontologies and develops a cyclic approach
in which we make use of the two formalisms in an interchangeable way.
The first direction involves the integration of semantic knowledge to anticipate the optimal choice of experimentations
via a serendipitous causal discovery strategy. The semantic knowledge may contain some causal
relations in addition to the strict hierarchical structure.
So instead of repeating the same efforts, we can reuse these causal relations by integrating them as prior
knowledge when applying existing structure learning algorithms to induce partially directed causal graphs
from pure observational data.
We therefore present a serendipitous decision-making strategy based on semantic distance calculus to conduct
more informative experiments. The idea mainly arises from the fact that the semantically related concepts
are generally the most extensively studied ones. For this purpose, we propose to favor the experimentation
on the more distant concepts. The second complementary direction concerns an enrichment process by
which it will be possible to reuse these causal discoveries and make an ontology evolution.

Composition du jury

  • Céline Rouveirol, Université Paris 13 (Rapporteur)
  • Jin Tian, Iowa State University (Rapporteur)
  • Boutheina Ben Yaghlane, Université de Carthage (Examinateur)
  • Stéphane Loiseau, Université d’Angers (Examinateur)
  • Philippe Leray, Université de Nantes (Directeur de thèse)
  • Nahla Ben Amor, Université de Tunis (Co-Directeur de thèse)

Dernière modification : vendredi 22 janvier 2016