Offre de th
Forum 'Emplois' - Sujet créé le 2014-04-10
Offre de thèse: Modélisation, apprentissage et prédiction de préférences
Lieu: LAMSADE, Université Paris Dauphine
Présentation
La théorie de la décision modélise le comportement d'un agent ou décideur face à des situations de choix. En ce sens, elle aborde deux problèmes principaux: la représentation des préférences du décideur et la justification du modèle de représentation choisi.
Les fonctions d'agrégation, à l'exemple de la moyenne pondérée, constituent un outil important pour la représentation des préférences. En effet, elles permettent d'agréger les différentes préférences locales du décideur (exprimées sur plusieurs échelles de critères) en une seule préférence globale (échelle ou utilité globale), simplifiant ainsi son problème de choix parmi plusieurs alternatives. C'est le cas par exemple d'un achat d'appartement parmi plusieurs autres où les appartements sont décrits par des caractéristiques comme le prix, la surface ou la localisation, etc. Une préférence locale du décideur pouvant être sa préférence des appartements moins chers à ceux plus chers.
La deuxième problématique, qui concerne le choix du modèle de représentation, demande un traitement axiomatique permettant de justifier clairement l'utilisation, dans une situation concrète, du modèle choisi.
A ces deux problématiques, nous pourrons aussi considérer une troisième motivée par des difficultés et des questions souvent posées dans des domaines d'applications réelles. Par exemple, nous sommes rarement dans une situation de connaissance complète ou même sans contradictions des préférences du décideur. D'où la nécessité d'avoir en sa possession des outils d'apprentissage, d'élicitation et de prédiction de préférences (mining). De tels outils ou méthodes peuvent également permettre au décideur d'avoir une idée des critères pertinents et essentiels lui permettant de réviser et d'améliorer sa préférence globale.
Pour attaquer les deux premières problématiques, nous proposons de développer des outils issus de la théorie des fonctions d'agrégation et de la théorie de la décision, auxquels s'ajouteront des mécanismes ou méthodes en intelligence artificielle et datamining pour la résolution de la troisième problématique. Par exemple, nous pourrons envisager des travaux parmi les sujets suivants:
Théorie des fonctions d'agrégation:
• L'axiomatisation de classes importantes de fonctions d'agrégation,
• La description explicite de certaines classes de fonctions d'agrégation (e.g., représentations en formes canoniques),
• La synergie des axiomatisations et des représentations (vers une typologie et cartographie de l'ensemble des fonctions d'agrégation).
(Pour une référence générale voir, e.g., [7].)
Théorie de la décision, intelligence artificielle et datamining:
• La modélisation des préférences,
• Le traitement axiomatique de modèles,
• La résolution des problèmes inverses (e.g., détermination des préférences locales permettant d'aboutir à une préférence globale donnée),
• Élaboration structurée des mécanismes de révision des préférences pour des modèles hiérarchiques de critères;
• L'apprentissage et la prédiction de préférences.
(Pour des références générales voir, e.g., [1, 2, 8]; pour le troisième point des techniques de décomposition comme, e.g. dans
[4, 5, 3] peuvent être utiles; pour illustrer le dernier point, nous pouvons envisager une généralisation les résultats comme dans [6] au cadre multicritère.)
Compétences souhaitées
Nous souhaitons un candidat motivé et intéressé par le domaine de la décision et avec un esprit d'initiative. Bonnes connaissances en mathématiques discrètes, en recherche opérationnelle et en programmation (implémentation d'algorithmes, en particulier, sur des structures ordonnées) sont fortement souhaitées. Des connaissances en apprentissage et mining de structures seront aussi appréciées.
Références
[1] D. Bouyssou, D. Dubois, H. Prade, M. Pirlot (eds). Decision-Making Process-Concepts and Methods, ISTE/John Wiley, 2009.
[2] D. Bouyssou, T. Marchant, M. Pirlot. A conjoint measurement approach to the discrete Sugeno integral, pp. 85-109, in: The Mathematics of Preference, Choice and Order. Essays in Honor of Peter C. Fishburn, Brams, S., Gehrlein, W. V., Roberts, F. S. (eds), 2009.
[3] Ch. Gonzales, P. Perny, J.Ph. Dubus. Decision Making with Multiple Objectives using GAI networks, Artificial Intelligence Journal, 175 (7) (2011) 1153{1179.
[4] M. Couceiro, T. Waldhauser, Axiomatizations and factorizations of Sugeno utility functions, Internat. J. Uncertain. Fuzziness, Knowledge-Based Systems, 19(4) (2011) 635{658.
[5] M. Couceiro, T. Waldhauser. Pseudo-polynomial functions over _nite distributive lattices. Fuzzy Sets and Systems. http://dx.doi.org/10.1016/j.fss.2012.09.007
[6] M. Couceiro, D. Dubois, H. Prade, A. Rico, T. Waldhauser. General interpolation by polynomial functions of distributive lattices. Information Processing and Management of Uncertainty in Knowledge-Based Systems, Communications in Computer and Information Science, vol. 299, Springer-Verlag, 347-355, 2012.
[7] M. Grabisch, J.-L. Marichal, R. Mesiar, and E. Pap. Aggregation Functions. Encyclopedia of Mathematics and its Applications. Cambridge University Press, 2009.
[8] J. Fürnkranz, E. Hüllermeier (eds). Preference Learning. Springer, 2010.
Candidature:
Pour postuler, envoyer au plus tard le 20 mai 2014, un CV, une lettre de motivation, des relevés de notes de M1 et M2, des lettre(s) de recommandations aux deux contacts suivants:
Miguel Couceiro (miguel.couceiro@dauphine.fr)
Brice Mayag (brice.mayag@dauphine.fr)
Financement:
Contrat doctoral. Des informations complètes sur la procédure de recrutement sont disponibles à la page [url=http://www.lamsade.dauphine.fr/spip.php?rubrique194 ][/url].
Lieu: LAMSADE, Université Paris Dauphine
Présentation
La théorie de la décision modélise le comportement d'un agent ou décideur face à des situations de choix. En ce sens, elle aborde deux problèmes principaux: la représentation des préférences du décideur et la justification du modèle de représentation choisi.
Les fonctions d'agrégation, à l'exemple de la moyenne pondérée, constituent un outil important pour la représentation des préférences. En effet, elles permettent d'agréger les différentes préférences locales du décideur (exprimées sur plusieurs échelles de critères) en une seule préférence globale (échelle ou utilité globale), simplifiant ainsi son problème de choix parmi plusieurs alternatives. C'est le cas par exemple d'un achat d'appartement parmi plusieurs autres où les appartements sont décrits par des caractéristiques comme le prix, la surface ou la localisation, etc. Une préférence locale du décideur pouvant être sa préférence des appartements moins chers à ceux plus chers.
La deuxième problématique, qui concerne le choix du modèle de représentation, demande un traitement axiomatique permettant de justifier clairement l'utilisation, dans une situation concrète, du modèle choisi.
A ces deux problématiques, nous pourrons aussi considérer une troisième motivée par des difficultés et des questions souvent posées dans des domaines d'applications réelles. Par exemple, nous sommes rarement dans une situation de connaissance complète ou même sans contradictions des préférences du décideur. D'où la nécessité d'avoir en sa possession des outils d'apprentissage, d'élicitation et de prédiction de préférences (mining). De tels outils ou méthodes peuvent également permettre au décideur d'avoir une idée des critères pertinents et essentiels lui permettant de réviser et d'améliorer sa préférence globale.
Pour attaquer les deux premières problématiques, nous proposons de développer des outils issus de la théorie des fonctions d'agrégation et de la théorie de la décision, auxquels s'ajouteront des mécanismes ou méthodes en intelligence artificielle et datamining pour la résolution de la troisième problématique. Par exemple, nous pourrons envisager des travaux parmi les sujets suivants:
Théorie des fonctions d'agrégation:
• L'axiomatisation de classes importantes de fonctions d'agrégation,
• La description explicite de certaines classes de fonctions d'agrégation (e.g., représentations en formes canoniques),
• La synergie des axiomatisations et des représentations (vers une typologie et cartographie de l'ensemble des fonctions d'agrégation).
(Pour une référence générale voir, e.g., [7].)
Théorie de la décision, intelligence artificielle et datamining:
• La modélisation des préférences,
• Le traitement axiomatique de modèles,
• La résolution des problèmes inverses (e.g., détermination des préférences locales permettant d'aboutir à une préférence globale donnée),
• Élaboration structurée des mécanismes de révision des préférences pour des modèles hiérarchiques de critères;
• L'apprentissage et la prédiction de préférences.
(Pour des références générales voir, e.g., [1, 2, 8]; pour le troisième point des techniques de décomposition comme, e.g. dans
[4, 5, 3] peuvent être utiles; pour illustrer le dernier point, nous pouvons envisager une généralisation les résultats comme dans [6] au cadre multicritère.)
Compétences souhaitées
Nous souhaitons un candidat motivé et intéressé par le domaine de la décision et avec un esprit d'initiative. Bonnes connaissances en mathématiques discrètes, en recherche opérationnelle et en programmation (implémentation d'algorithmes, en particulier, sur des structures ordonnées) sont fortement souhaitées. Des connaissances en apprentissage et mining de structures seront aussi appréciées.
Références
[1] D. Bouyssou, D. Dubois, H. Prade, M. Pirlot (eds). Decision-Making Process-Concepts and Methods, ISTE/John Wiley, 2009.
[2] D. Bouyssou, T. Marchant, M. Pirlot. A conjoint measurement approach to the discrete Sugeno integral, pp. 85-109, in: The Mathematics of Preference, Choice and Order. Essays in Honor of Peter C. Fishburn, Brams, S., Gehrlein, W. V., Roberts, F. S. (eds), 2009.
[3] Ch. Gonzales, P. Perny, J.Ph. Dubus. Decision Making with Multiple Objectives using GAI networks, Artificial Intelligence Journal, 175 (7) (2011) 1153{1179.
[4] M. Couceiro, T. Waldhauser, Axiomatizations and factorizations of Sugeno utility functions, Internat. J. Uncertain. Fuzziness, Knowledge-Based Systems, 19(4) (2011) 635{658.
[5] M. Couceiro, T. Waldhauser. Pseudo-polynomial functions over _nite distributive lattices. Fuzzy Sets and Systems. http://dx.doi.org/10.1016/j.fss.2012.09.007
[6] M. Couceiro, D. Dubois, H. Prade, A. Rico, T. Waldhauser. General interpolation by polynomial functions of distributive lattices. Information Processing and Management of Uncertainty in Knowledge-Based Systems, Communications in Computer and Information Science, vol. 299, Springer-Verlag, 347-355, 2012.
[7] M. Grabisch, J.-L. Marichal, R. Mesiar, and E. Pap. Aggregation Functions. Encyclopedia of Mathematics and its Applications. Cambridge University Press, 2009.
[8] J. Fürnkranz, E. Hüllermeier (eds). Preference Learning. Springer, 2010.
Candidature:
Pour postuler, envoyer au plus tard le 20 mai 2014, un CV, une lettre de motivation, des relevés de notes de M1 et M2, des lettre(s) de recommandations aux deux contacts suivants:
Miguel Couceiro (miguel.couceiro@dauphine.fr)
Brice Mayag (brice.mayag@dauphine.fr)
Financement:
Contrat doctoral. Des informations complètes sur la procédure de recrutement sont disponibles à la page [url=http://www.lamsade.dauphine.fr/spip.php?rubrique194 ][/url].