Techniques neurosymboliques probabilistes pour la classification informée : une vue unifiée, évaluation experimentale et analyse de complexité

L'intelligence artificielle neurosymbolique est un champ de recherche émergent dont l'objectif est de combiner les capacités d'apprentissage des réseaux de neurones avec les aptitudes de raisonnement des systèmes symboliques. Cette hybridation peut prendre de nombreuses formes en fonction de la tâche traitée et des avantages ciblés. L'objectif de ma thèse est d'étudier les tâches de classification multi-label informée par de la connaissance a priori. Cette étude se déploie selon trois axes principaux. Premièrement, développer un formalisme unifié pour décrire les techniques neurosymboliques d'intégration de la connaissance, avecune focalisation sur les techniques qui reposent sur le raisonnement probabiliste, puis étendre ce formalisme à différents régimes desupervision et au cas particulier de la classification conforme. Deuxièmement, effectuer une évaluation expérimentale de trois techniques neurosymboliques probabilistes sur quatre jeux de données, en analysant en particulier l'évolution de la performance avec la taille du réseau de neurones. Troisièmement, étudier la complexité de calcul des techniques neurosymboliques probabilisteset dessiner une carte de la complexité du raisonnement probabiliste.