Sujets de Stages de M2 ou de thèses*

La plupart des études de plannification font l'hypothèse que le monde est complètement et correctement connu et que les actions sont déterministes sans durée et sans échec. L'objectif est d'étendre les algorithmes existants afin de leur permettre d'être performant dans un cadre plus réaliste.

Références:

1. Florence Dupin De Saint Cyr, Jérôme Lang. Belief extrapolation (or how to reason about observations and unpredicted change). In : Artificial Intelligence, Elsevier, Vol. 175, pp. 760-790, January 2011.
2. Florence Dupin De Saint Cyr. Scenario Update Applied to Causal Reasoning . In : International Conference on Principles of Knowledge Representation and Reasoning (KR 2008), Sydney, Australia, 16/09/2008-19/09/2008, Gerhard Brewka, Jerome Lang (Eds.), AAAI Press, pp. 188-197, September 2008.
3. Matthew Molineaux and David Aha. Learning Unknown Event Models. In : AAAI. pp. 395-401, 2014.
4. Matthew Molineaux, Matthew Klenk and David Aha. Goal-Driven Autonomy in a Navy Strategy Simulation. In: AAAI. pp 1548-1554, 2010.
5. Dustin Dannenhauer, Hector Munoz-Avila and Michael Cox. Informed Expectations to Guide GDA Agents in Partially Observable Environments. In : IJCAI, pp 2493-2499, 2016.

More precisely, our cognitive model of agent acceptance is described on the Figure bellow:

On the right hand side of this Figure we consider a human agent having its logical knowledge base (with factual observations about the world and generic statements such as Miradoux is a wheat variety, wheat contains proteins), its own associations (proteins are related to nutrition) and its opinions (I like Miradoux, I don’t like spoiled wheat). The logical knowledge is stored as a logical knowledge base (I, in the Figure) expressed in Datalog+/- (for re-utilisability purpose).

The associations (II) (that can relate two pieces of information as well as a piece of information to an appreciation—in that case it is called opinion) are more difficult to elicit and are not often handled in the literature. One of the main difficulties is that the associations depend on the profile of the person (expert, non-expert, etc.).

A third parameter is also required by our model, namely, the cognitive availability (abbreviated ca) of the agent (III) which depends on the agent’s interest about the particular argument and on the amount of attention he has to spent (its precise definition is not studied here, it may be based on the agent mood, her knowledge, sometimes on the speaker, on the topic of the argument, etc.). This cognitive availability is a parameter that we use to filter the possible reasoning the agent is able to do.

On the left hand side of the figure, we show the proposed process of argument acceptance using the cognitive model. When the agent hears a new argument [step (1)], a number of critical questions are fired [‘‘is the premise of the argument correct?’’, ‘‘do I agree with the conclusion?’’, ‘‘can I infer is the premise of the argument correct?”, “do I agree with the conclusion?”, “can I infer the conclusion from the premise based on what I know?” - step (2)).

Thanks to the proposed cognitive model, it will then be possible to compute reasoning paths (i.e. sequences of logical rules and association rules constituting a chain of inferences that leads to a desired conclusion) for each critical question (step (3)). For a reasoning path we introduce the notion of effort (cognitive effort to use the rules of the reasoning path) which is confronted to the cognitive availability of the agent. An association is usually effortless while logical reasoning is considered as more expensive. The cognitive availability of the agent allows us to have an upper bound of the effort the agent is able to put into her reasoning paths. The reasoning paths will be selected based on the effort needed to carry on (step (4)). Based on this selection we can accept or reject an argument. Note that the reasoning paths are constructed from the logical knowledge base and the associations that computationally represent the knowledge of the expert.

Références:

1. Pierre Bisquert, Madalina Croitoru, Florence Dupin de Saint-Cyr, Abdelraouf Hecham. Formalizing Cognitive Acceptance of Arguments: Durum Wheat Selection Interdisciplinary Study. In : Minds & Machines, Springer, February 2017 (to appear).
2. Pierre Bisquert, Madalina Croitoru, Florence Dupin de Saint-Cyr, Abdelraouf Hecham. Substantive irrationality in cognitive systems (short paper). In : European Conference on Artificial Intelligence (ECAI 2016), La Hague, Hollande, 29/08/16-02/09/16, Maria Fox, Gal Kaminka (Eds.), IOS Press, pp. 1642-1643, 2016.
3. Pierre Bisquert, Madalina Croitoru, Florence Dupin de Saint-Cyr, Abdelraouf Hecham. Towards an Understanding of Human Persuasion and Biases in Argumentation. In : Cardiff Argumentation Forum, Cardiff UK, 06/07/16-07/07/16, Federico Cerutti , Francesca Toni (Eds.).

La transmission d’idées passe principalement à ce jour par le langage écrit. Ce dernier répond à des règles syntaxiques et grammaticales, à un sens de lecture des mots qui constituent des phrases. Au-delà de ce mode linéaire, même s’il permet la complexité et la subtilité des idées communiquées, il existe des types de représentations plus axées sur la spatialisation de graphiques, éventuellement sur un support interactif, ou sur une approche combinant une vue globale vers des niveaux de détail.

Nous avons commencé une étude comparative de différentes représentations de la connaissance (cartes mentales, graphes conceptuels, frises chronologiques, diagrammes de Venn, cartes géographiques...). Nous souhaitons étudier les caractéristiques de ces représentations (ce qui les rend efficaces, lisibles, les conventions qu’elles utilisent, les types de données et d’informations qu’elles permettent de manipuler, etc.). Nous désirons construire les bases d’une grammaire visuelle qui tiendrait compte de notre perception visuelle en utilisant l'intelligence artificielle pour la modélisation, le raisonnement et le contrôle de la structuration cohérente des idées exprimées au travers d’attributs visuels.

Références:

1. Florence Dupin de Saint-Cyr, Denis Parade. Représentation des Connaissances dans un Langage Visuel Typé: une première approche. Journées Francophoes d'Ingéniérie des Connaissances (IC 2018), Nancy, AFIA, pp 179-194, 2018
2. Florence Dupin de Saint-Cyr, Denis Parade. Knowledge Representation in a Visual Typed Language: from Principles to Practice. International Conference on Information Visualisation (IV 2018), IEEE Computer Society, page 350-355, 2018<\li>

Nous avons proposé un cadre d'aide à la décision (appelé BLF) dont la description est visuelle: il s'agit d'un graphe bipolaire de principes de décisions où les décisions sont associées à des utilités. Ce cadre permet à la fois d'exprimer les caractéristiques d'un problème de décision et de raisonner pour sélectionner la décision appropriée à la situation.

L'objectif de ce stage est de créer automatiquement le BLF à partir de bases de données. Les techniques utilisées seront des techniques d'apprentissage de règles, et de leurs exceptions (appelées inhibiteurs), de clustering de règles. On pourra explorerr les liens avec l'analyse formelle de concept.

Références:

1. Florence Dupin de Saint-Cyr, Romain Guillaume, Umer Mushtaq Explainable Decisions under incomplete knowledge with supports and weights. IEE International Conference on Fuzzy Systems (FUZZ-IEEE 2019), pp 1-6, 2019
2. Florence Dupin de Saint-Cyr, Romain Guillaume. How Pontential BLFs Can Help to Decide under Incomplete Kmowledge. International Conference on Information Processing and Management of Uncertainty in Knowledge-based Systems (IPMU 2018), pages 86-98, 2018