2023 – 2026
Financé par l’ANR (appel générique)
https://smelt.irsan.eu/
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 une 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.