Luisa Werner

Résumé

Les données structurées sous forme de graphes, telles que les graphes de connaissances, ont attiré l'attention ces dernières années en raison de leur capacité à encoder les relations entre les entités, ce qui en fait une structure de données riche capable de représenter des modèles complexes, des dépendances à longue chaîne et des structures cycliques.

Cependant, les données structurées sous forme de graphes posent des difficultés majeures qu'il faut surmonter pour en exploiter le potentiel. Les graphes étant souvent de grande taille, partiellement non structurés et incomplets, les algorithmes appliqués aux graphes doivent être capables de traiter efficacement des données éparses et non alignées sur une grille.

Parallèlement, la recherche en IA a connu ces dernières années une explosion du développement des méthodes d'apprentissage profond, tandis que les méthodes symboliques ont vu moins de percées récentes. Néanmoins, la capacité d'explication des méthodes symboliques, basées sur la logique et les connaissances préalables, peut compléter la force des méthodes sub-symboliques en matière de reconnaissance des formes, de robustesse et d'évolutivité.

C'est pourquoi la recherche sur les méthodes neuro-symboliques a attiré l'attention, dans le but d'unifier les méthodes symboliques et sub-symboliques de l'IA. Cette thèse étudie comment les méthodes neuro-symboliques peuvent être employées sur des données structurées en graphe afin que des tâches de raisonnement, telles que la complétion de graphes de connaissances, puissent être résolues de manière plus efficace et plus fiable.

L'accent est mis en particulier sur la question de savoir comment les connaissances préalables, par exemple sous la forme d'ontologies, peuvent être exploitées pour améliorer le comportement des méthodes purement sub-symboliques. Cette thèse étudie comment les connaissances préalables peuvent être intégrées dans un réseau neuronal par le biais de couches neuronales différentiables basées sur la logique floue. L'extensibilité et l'applicabilité de cette technique à différents types de graphes sont notamment examinées.

En outre, une méthode neuro-symbolique est proposée pour injecter des connaissances dans les graphes de connaissances en intégrant un moteur de raisonnement sémantique.