De la probabilité à la possibilité pour l'apprentissage neurosymbolique avec les LTNs-Saclay-

Systèmes d'information Stage - De la probabilité à la possibilité pour l'apprentissage neurosymbolique avec les LTNs-Saclay-H/F Ce stage porte sur l'apprentissage neurosymbolique, qui combine la capacité des réseaux de neurones à apprendre à partir de données et l'interprétabilité des méthodes symboliques fondées sur des règles logiques. Le Logic Tensor Network (LTN) permet notamment d'intégrer des contraintes logiques à l'apprentissage en utilisant les sorties des réseaux de neurones comme degrés de vérité floue. Cependant, ces sorties sont généralement interprétées comme des probabilités, alors que leur utilisation dans un LTN leur attribue une sémantique différente. Le stage étudiera l'utilisation de la théorie des possibilités comme représentation intermédiaire entre probabilités et degrés de vérité. L'objectif sera de réaliser un état de l'art des transformations permettant de passer d'une distribution probabiliste à une représentation possibiliste, puis d'implémenter et d'évaluer plusieurs de ces transformations dans un LTN. En tant que stagiaire au CEA, vous aurez l'opportunité de travailler au sein d'un environnement de recherche de renommée mondiale. Nos équipes sont composées d'experts passionnés et dédiés, offrant un cadre propice à l'apprentissage et à la collaboration. Vous aurez accès à des équipements de pointe et à des ressources de recherche de premier ordre pour mener à bien vos missions. Éventuellement, les travaux menés donneront lieu à une publication scientifique.Contexte :Les méthodes symboliques en IA permettent d’exprimer des règles logiques interprétables par l’humain et de contraindre le comportement d’un système. À l’inverse, les réseaux de neurones généralisent à partir de données, mais leur fonctionnement en « boîte noire » complique la vérification du respect de contraintes prédéfinies.Le Logic Tensor Network (LTN) combine réseaux de neurones et contraintes logiques dans un même processus d’apprentissage. Les réseaux représentent des prédicats logiques dont les sorties sont interprétées comme des degrés de vérité floue. La satisfaction des formules logiques peut être intégrée à la fonction de perte afin de guider l’apprentissage, notamment pour la détection d’anomalies.Cependant, les sorties des réseaux sont généralement interprétées comme des probabilités en classification, tandis qu’elles représentent des degrés de vérité dans un LTN. Malgré leur intervalle commun entre 0 et 1, ces valeurs ont des sémantiques différentes.La théorie des possibilités offre un autre cadre de représentation de l’incertitude, lié aux probabilités et à la logique floue. Ce stage étudiera l’hypothèse selon laquelle une représentation possibiliste pourrait mieux adapter les sorties neuronales à leur utilisation comme degrés de vérité, sans supposer une équivalence sémantique entre ces notions.Qu'attendons-nous de vous?Le travail consistera à réaliser un état de l’art des transformations probabilistes vers possibilistes, puis à en sélectionner et implémenter plusieurs dans un LTN. Leurs résultats seront comparés à ceux d’une approche utilisant directement les probabilités comme degrés de vérité floue.Enfin, l’étude évaluera l’impact de ces représentations sur les performances de classification et la satisfaction des contraintes logiques. # Cea List Profil :Nous recherchons un(e) étudiant(e) en deuxième année de Master/troisième année d’école d’ingénieur, de spécialité(s) Informatique/Mathématiques, avec :Un intérêt pour les thématiques d'intelligence artificielleÀ l'aise avec la théorie des probabilités et des ensembles floues ; Un intérêt pour la recherche scientifique et technologique ; De bonnes compétences en python ; Maîtrise de TensorFlow ;Un bon niveau d'anglais.