Apprentissage et prédiction de préférences sur des ensembles en présence d'interactions entre éléments et de cycles de préférences

Cette thèse se situe à l'intersection de la théorie de la décision, de l'intelligence artificielle et de l'apprentissage automatique, en étudiant l'apprentissage et la modélisation des préférences sur des ensembles. Les travaux portent sur la modélisation des préférences d'un décideur exprimées sous la forme de comparaisons par paires, avec deux objectifs : prédire les préférences non observées et prescrire des alternatives potentiellement optimales. Une attention particulière est accordée aux modèles de préférences avec interactions, leurs propriétés théoriques et défis pratiques. Les contributions s'articulent en trois axes : une extension de la méthode de Régression Ordinale Robuste (ROR) pour tenir compte de la multiplicité des modèles compatibles avec les exemples de préférences, ainsi que des interactions possibles entre les éléments d'un ensemble ; une approche hybride associant processus gaussiens et programmation linéaire pour gérer les incohérences dans les déclarations de préférences ; et enfin une extension du modèle additif par l'ajout de termes bilinéaires permettant de représenter des préférences intransitives tout en maintenant la traçabilité computationnelle de l'apprentissage des paramètres du modèle.