Learning with Multi-objective OptimizatioN – LEMON

Le projet LeMOn est un projet académique pouvant donner lieu à d'importantes retombées applicatives. Il se situe à l'intersection de trois domaines de recherche : la reconnaissance de formes, l'apprentissage artificiel et l'optimisation multi-objectif. Le projet repose sur l'idée principale que la plupart des systèmes de reconnaissance de formes sont aujourd'hui conçus pour optimiser un critère scalaire là où de multiples objectifs devraient être considérés. À titre d'exemple, on peut évoquer les compromis qui existent entre les performances en apprentissage et la capacité de généralisation, entre la sensibilité et la spécificité, ou entre la prise en compte d'un grand nombre d'exemples et la rapidité de la prise de décision, etc. L'apprentissage automatique est donc par essence un problème d'optimisation multi-critère et l'objectif du projet LeMON est d'amorcer une rupture dans la théorie et la méthodologie de ce domaine, en s’attaquant à l’un de ses verrous majeurs, à savoir la prise en compte de critères et de tâches multiples lors de la conception d'algorithmes.
Dans ce cadre général, le projet LeMOn se propose d'aborder deux problèmes particuliers d'apprentissage multi-objectif.
Le premier problème concerne l'apprentissage dans des environnements mal-définis, pour lesquels les effectifs des classes sont déséquilibrés et les coûts de mauvaise classification sont inconnus. Dans ce contexte, il est bien connu qu'un unique critère d'apprentissage ne permet pas de construire un classifieur adapté à toutes les situations. Nous proposons dans LeMOn de poursuivre des travaux déjà initiés s'appuyant sur l'espace ROC pour construire non pas un unique classifieur mais une population de classifieurs optimisant chacun un compromis entre ces différents critères. L'objectif de LeMOn est de généraliser l'approche existante pour qu'elle s'adapte à des problèmes multi-classes d'une part, et à grande échelle d'autre part au travers d'une approche en-ligne.
Le second problème abordé dans LeMOn concerne le formalisme d'apprentissage multi-tâche et ses liens avec l'optimisation multi-objectif. Ce formalisme consiste à apprendre simultanément plusieurs modèles pour résoudre des tâches différentes, en transférant des connaissances entre les tâches. Par définition, un problème multi-tâches met naturellement en oeuvre une optimisation à objectifs multiples. Dans ce cadre, le projet LeMOn propose d'étudier deux problèmes spécifiques à l'apprentissage multi-taches lorsque celui-ci est abordé par des méthodes à noyau : le choix de la norme mixte pour le terme de régularisation, et la pondération respective des tâches.
Les algorithmes développés pour résoudre ces deux problèmes seront évalués sur deux principales applications : les interfaces cerveaux machines et l'analyse d'images médicales qui sont naturellement des problèmes impliquant des objectifs et des tâches multiples. Les algorithmes réalisés pourront toutefois être appliqués à de nombreux autres domaines applicatifs tels que la l'analyse de documents ou encore la détection de fraudes.