Résumé du projet
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 la 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.
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 la 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.
Project summary
The aim of SMeLT is to provide a methodology to learn a similarity measure that is optimized for a given analogical transfer task.
Among the different tasks that computational analogy systems implement, the transfer task matches a predictive and hypothetical inference in which some knowledge is extrapolated from a similar situation in order to interpret a new situation and complete its description.
By providing a set of quality indicators for the similarity measure, and a metric learning method that optimizes these indicators, this project will unlock a major bottleneck that currently prevents a widespread application of transfer methods to real scenarii, which is to learn a similarity measure that is adequate for the task at hand.
The project is a pluridisciplinary effort, that brings together researchers from cognitive science, computer science (computational analogy and similarity measures specialists), and health sciences (medical decision support specialists).
The proposed methodology will be evaluated in two different application domains: the cooking domain, and the domain of decision support for the therapeutic management of breast cancer.
Among the different tasks that computational analogy systems implement, the transfer task matches a predictive and hypothetical inference in which some knowledge is extrapolated from a similar situation in order to interpret a new situation and complete its description.
By providing a set of quality indicators for the similarity measure, and a metric learning method that optimizes these indicators, this project will unlock a major bottleneck that currently prevents a widespread application of transfer methods to real scenarii, which is to learn a similarity measure that is adequate for the task at hand.
The project is a pluridisciplinary effort, that brings together researchers from cognitive science, computer science (computational analogy and similarity measures specialists), and health sciences (medical decision support specialists).
The proposed methodology will be evaluated in two different application domains: the cooking domain, and the domain of decision support for the therapeutic management of breast cancer.