Thèse Mesures de Simplicité pour l'Acquisition de Contraintes sans Connaissance Préalable H/F - 34

Établissement : Université de Montpellier
École doctorale : I2S - Information, Structures, Systèmes
Laboratoire de recherche : Laboratoire d'Informatique, de Robotique et de Micro-électronique de Montpellier
Direction de la thèse : Christian BESSIERE ORCID 0000000340596403
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-04T23:59:59

L'acquisition de contraintes aide les utilisateurs non experts en
programmation par contraintes à modéliser leur problème sous forme de
problème de satisfaction de contraintes [1]. Un système d'acquisition
de contraintes apprend les contraintes du problème de l'utilisateur
soit à partir de données historiques de solutions (apprentissage
passif), soit en interagissant avec l'utilisateur au moyen de requêtes
(apprentissage actif).

Les systèmes d'acquisition de contraintes nécessitent généralement un
langage de relations prédéfini pour exprimer les contraintes (le biais
d'apprentissage). Des travaux récents [2] ont assoupli cette exigence,
supprimant la nécessité de spécifier un tel langage de
relations. L'avantage est que les utilisateurs n'ont plus à décider
quel langage de relations convient le mieux à leur
problème. L'inconvénient, cependant, est que les performances
d'apprentissage peuvent diminuer, ce qui peut nécessiter davantage de
données ou davantage de requêtes à l'utilisateur.

L'objectif de cette thèse est de définir des mesures de simplicité des
relations à utiliser dans l'acquisition de contraintes lorsqu'aucun
langage de relations prédéfini n'est disponible. En privilégiant des
relations plus simples, nous devrions pouvoir converger plus
rapidement vers un problème de satisfaction de contraintes qui
représente de manière satisfaisante le problème de l'utilisateur, tout
en produisant des résultats plus interprétables que de simples
contraintes tabulaires.

L'acquisition de contraintes est un domaine de recherche très actif. Le Graal du système qui serazit capable de complètement modéliser le problème de l'utilisateur en réseau de contraintes s'approche de plus en plus. Arriver à apprendre efficacement malgré l'absence d'information sur le type des contraintes nécessaires est un enjeu majeur.