Apprendre à résoudre des analogies de forme

Abstract

L'apprentissage analogique est un mécanisme qui permet le transfert de formes d'entrée (par exemple, des chaînes) vers des formes de sortie sans recourir à l'entrainement d'un modèle. Pour se faire, chaque analogie identifiée dans l'espace d'entrée impliquant la forme d'entrée à traiter donne lieu à une équation analogique dans l'espace de sortie dont la résolution mène à des solutions candidates. Puisque plusieurs analogies peuvent impliquer la forme d'entrée et que la résolution d'une équation génère plusieurs solutions, de nombreuses formes candidates sont typiquement produites parmi lesquelles il convient de filtrer.

Dans cette thèse, nous étudions deux solutions permettant de réduire le bruit généré par ce processus. La première consiste à apprendre à agréger les solutions candidates. Nous comparons à cet effet des classificateurs entraînés de manière supervisée à reconnaitre la solution attendue des autres solutions produites à des systèmes de reclassement d'hypothèses. La seconde solution met à profit l'apprentissage structuré pour apprendre à résoudre une équation analogique en générant moins de formes candidates, de manière à augmenter les chances de prédire en tête la solution attendue.

Nous montrons que les deux solutions permettent d'améliorer significativement les performances d'un système analogique, et ce sur plusieurs tâches de traduction.

Analogical learning is a mechanism that allows the transfer of input forms (eg, strings) to output forms without resorting to model training. To do this, each analogy identified in the input space involving the input form to be processed gives rise to an analogical equation in the output space whose resolution leads to candidate solutions. Since several analogies may involve the input form and the resolution of an equation generates several solutions, many candidate forms are typically produced from which to filter.

In this thesis, we study two solutions to reduce the noise generated by this process. The first is to learn how to aggregate candidate solutions. To this end, we compare classifiers trained in a supervised way to recognize the expected solution of the other solutions produced to hypothesis reclassification systems. The second solution uses structured learning to learn how to solve an analog equation by generating fewer candidate forms in order to increase the chances of predicting the expected solution.

We show that both solutions can significantly improve the performance of an analogical system on several translation tasks.