Une nouvelle approche basée sur le treillis de Galois, pour l'apprentissage de concepts

Mephu Nguifo, Engelbert 

Mathématiques informatique et sciences humaines, Tome 124 (1993), pp. 19-38

Résumé (VO)

L'apprentissage automatique à partir d'exemples consiste généralement à caractériser un ensemble d'objets dénotant un concept. Nous avons développé deux méthodes d'apprentissage symbolique, LEGAL et LEGAL-E, qui s'appuient sur le même modèle d'apprentissage, et utilisent une technique de généralisation descendante, basée sur la logique des propositions et sur la structure de treillis de Galois, pour produire un ensemble de descriptions structurées et ordonnées. Elles diffèrent dans leur approche de production de connaissances. Pour des raisons de complexité, seules deux variantes de LEGAL-E sont évaluées sur le problème de la prédiction de sites de jonctions introns-exons. Une comparaison à d'autres méthodes montrent que nos résultats sont meilleurs que ceux obtenus avec des méthodes symboliques, et sont relativement comparables à ceux des meilleures méthodes neuronales. Nous montrons enfin que LEGAL-E peut être vu comme un réseau de neurones multi-couches, simple et dynamique.

Abstract

The main goal of machine learning systems is to characterise a concept denoted by a set of examples. We have designed and implemented a symbolic-based method, LEGAL, which uses a top-down generalisation mecanism based on propositional logic and Galois lattice structure, to build a set of ordered and structured descriptions. Its major drawback relies on its time and space complexity when building learned knowledge. Our goal in this paper is to present a new learning method LEGAL-E which uses a different approach allowing to reduce this drawback. Two variants of this method are tested onto the problem of splice junction sites prediction on primate genetic sequences. A comparison to others machine learning systems shows that our results are far better than those obtained with symbolic representation, and are as good as the best neural networks-based ones. We finally show that LEGAL-E can be assimilated to a simple and dynamic multi-layer neural network method.