Apprentissage de mesure de similarité pour le transfert analogique – SMeLT

Le but du projet SMeLT est de fournir une méthodologie d'apprentissage
d'une mesure de similarité qui soit optimisée pour une tâche particulière
de transfert analogique.
Parmi les différentes tâches qu'un système d'analogie computationnelle
implémente, la tâche de transfert met en oeuvre une inférence
hypothétique et prédictive dans laquelle des connaissances sur une
situation similaire sont extrapolées pour interpréter une nouvelle
situation et compléter sa description.
Nous produirons un ensemble d'indicateurs de qualité d'une mesure de similarité,
ainsi qu'une méthode d'apprentissage de mesure de similarité optimisant ces indicateurs, ce qui
permettra de lever un des principaux verrous actuels freinant
l'application des méthodes de transfert analogique dans des
applications réelles, qui est d'apprendre une mesure de similarité
adaptée à une tâche de transfert.
Ce projet est un effort de recherche pluridisciplinaire,
qui rassemble des chercheurs en sciences cognitives,
en informatique (spécialistes d'analogie computationelle et des mesures de similarité),
et de santé (spécialistes de l'aide à la décision médicale).
La méthodologie sera évaluée sur plusieurs cas d'usages,
tant dans le domaine culinaire, que dans le domaine de l'aide à la décision dans la prise en charge
thérapeutique du cancer du sein.