Adaptive Rules Model : Statistical Learning for Rule-Based Systems

Résumé : Les Règles Métiers (Business Rules en anglais, ou BRs) sont un outil communément utilisé dans l’industrie pour automatiser des prises de décisions répétitives. Le problème de l’adaptation de bases de règles existantes à un environnement en constante évolution est celui qui motive cette thèse. Des techniques existantes d’Apprentissage Automatique Supervisé peuvent être utilisées lorsque cette adaptation se fait en toute connaissance de la décision correcte à prendre en toute circonstance. En revanche, il n’existe actuellement aucun algorithme, qu’il soit théorique ou pratique, qui puisse résoudre ce problème lorsque l’information connue est de nature statistique, comme c’est le cas pour une banque qui souhaite contrôler la proportion de demandes de prêt que son service de décision automatique fait passer à des experts humains. Nous étudions spécifiquement le problème d’apprentissage qui a pour objectif d’ajuster les BRs de façon à ce que les décisions prises aient une valeur moyenne donnée.Pour ce faire, nous considérons les bases de Règles Métiers en tant que programmes. Après avoir formalisé quelques définitions et notations dans le Chapitre 2, le langage de programmation BR ainsi défini est étudié dans le Chapitre 4, qui prouve qu’il n’existe pas d’algorithme pour apprendre des Règles Métiers avec un objectif statistique dans le cas général. Nous limitons ensuite le champ d’étude à deux cas communs où les BRs sont limités d’une certaine façon : le cas Borné en Itérations dans lequel, quelles que soit les données d’entrée, le nombre de règles exécutées en prenant la décision est inférieur à une borne donnée ; et le cas Linéaire Borné en Itérations dans lequel les règles sont de plus écrite sous forme Linéaire. Dans ces deux cas, nous produisons par la suite un algorithme d’apprentissage basé sur la Programmation Mathématique qui peut résoudre ce problème. Nous étendons brièvement cette formalisation et cet algorithme à d’autres problèmes d’apprentissage à objectif statistique dans le Chapitre 5, avant de présenter les résultats expérimentaux de cette thèse dans le Chapitre 6.
Type de document :
Thèse
Machine Learning [cs.LG]. Université Paris-Saclay, 2017. English. 〈NNT : 2017SACLX037〉
Liste complète des métadonnées

Littérature citée [232 références]  Voir  Masquer  Télécharger

https://pastel.archives-ouvertes.fr/tel-01622934
Contributeur : Abes Star <>
Soumis le : mardi 24 octobre 2017 - 18:47:07
Dernière modification le : jeudi 11 janvier 2018 - 06:19:44

Fichier

61808_WANG_2017_archivage.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01622934, version 1

Citation

Olivier Wang. Adaptive Rules Model : Statistical Learning for Rule-Based Systems. Machine Learning [cs.LG]. Université Paris-Saclay, 2017. English. 〈NNT : 2017SACLX037〉. 〈tel-01622934〉

Partager

Métriques

Consultations de la notice

172

Téléchargements de fichiers

74