Apprentissage de préférences en environnement fortement incertain – PreServe

L'apprentissage de préférences d'un utilisateur joue un rôle central dans de nombreux problèmes, allant d'aider un décideur à choisir parmi quelques alternatives très complexes, jusqu'à aider un utilisateur à choisir la meilleure options parmi des milliers, voir des millions d'entre-elles. Un problème régulier dans l'apprentissage des préférences de ces utilisateurs est que l'information qu'ils fournissent peuvent être sujettes à fortes incertitudes et imprécisions, parcequ'ils sont peu sûrs de leur opinions, ou parce que les préférences ne sont fournies que sur un petit ensemble d'objets (par exemple, des préférences sur quelques paires d'objets, alros que ces derniers sont très nombreux et issus d'un domaine combinatorial). Rendre compte fidèlement de ces incertitudes dans les cadres classique de modélisation peut s'avérer difficile, à moins que l'on soit prêt à faire des hypothèses additionnelles parfois nombreuses et difficile à vérifier (par exemple, que le décideur suit un comportement aléatoire). De telles hypothèses peuvent ensuite amener à faire des inférences biaisées, qui elles-mêmes peuvent mener à des décisions sous-optimales, voir indésirables.

Les théories probabilistes imprécises (IP) permettent au modélisateur d'éviter de telles hypothèses, en modélisant explicitement l'imprécision (par exemple, en considérant non plus une probabilité, mais un ensemble de probabilités consistant avec les observations imprécises ou incertaines). Dans PreServe, nous nous proposons d'explorer les avantages de telles théories dans deux cadres distincts (mais liés) d'apprentissage des préférences, ou plus généralement de rangements:

1. Les incertitudes liées aux préférences individuelles multi-critère: un problème classique dans le cadre d'un choix multi-critère est de récupérer les informations pertinentes venant d'un seul décideur/utilisateur. Si les options sont difficile à comparer car complexes, l'utilisateur peut avoir du mal à émettre un avis, et donc être assez peu sûr de sa réponse. PreServe cherche à explorer comment les théories probabilistes imprécises peuvent modéliser ces incertitudes, les intégrer au protocole d'élicitation, et répondre à certains problèmes tels que la résolution d'inconsistance ou encore le choix de modèle.

2. L'apprentissage d'un modèle statistique de préférences (Mallows, Plackett-Luce, …) aux préférences observées, en particulier quand ces dernières sont incomplètes. Les probabilités imprécises semblent en effet bien adaptées à la résolution de ce problème, puisqu'elles peuvent traiter de telles données partielles tout en faisant un minimum d'hypothèses additionnelles. Pourtant, il existe très peu de travaux se penchant sur la question. Un second axe de PreServe sera justement d'explorer ce champ.

Une fois des solutions trouvées pour ces deux premiers problèmes, nous nous pencherons sur comment les probabilités imprécises peuvent aider à transférer une connaissance statistique concernant une large population, vers un individu relié à (mais pas forcément extrait de) cette population, et des préférences duquel nous avons peu, voir pas d'information. En résumé, nous voulons définir comment transférer (et potentiellement affaiblir/réviser) une connaissance statistique générale à une personne seule, afin de pouvoir efficacement résoudre des problèmes de type démarrage à froid (comment recommander quand on ne sait rien de la personne), sans pour autant souffrir de biais trop importants.