Exploitation de l'isomorphisme de graphes et de l'alignement d'ontologies pour enrichir les objets logiciels de connaissances sémantiques : Application aux objets sages.
Bibliographic record
Abstract
Cette thèse aborde l'intégration de l'intelligence artificielle dans le monde réel, tout en respectant le concept de la technologie calme. À cette fin, le « Wise Object Framework » qui est basé sur la boucle MAPE-K, et son dérivé IAPE-K a été créé au sein du laboratoire LISTIC. La boucle IAPE-K signifie : Introspecter, Analyser, Planifier et Exécuter, sur la base des connaissances partagées.Fondamentalement, les « Wise Object » sont des entités logicielles qui apprennent à se comporter par elles-mêmes grâce à des mécanismes d'introspection et de réflexivité pour enrichir leurs connaissances sur elle-même. Ces connaissances sont organisées sous la forme d'un graphe et représentent le comportement des « Wise Object ». Cependant, ce graphe manque d'informations sémantiques significatives, ce qui empêche les « Wise Object » de communiquer sémantiquement avec les humains. L'approche proposée pour enrichir ce graphe de connaissances avec de la sémantique peut être mise en œuvre comme un plug-in dans le Wise Object Framework, car ce dernier respecte le principe de modularité et de séparation des préoccupations. Pour résoudre ce problème et permettre aux « Wise Object » de communiquer avec les humains, j'ai proposé un algorithme de correspondance entre le graphe de connaissances générées par le WO, et le formalisme appelé systèmes de transition symbolique d'entrée/sortie, qui représente le comportement sémantique d'une application. Ce formalisme est utilisé pendant la phase de conception du logiciel pour exprimer son comportement de manière sémantique. L'algorithme étend le graphe de connaissances généré par le « Wise Object » avec la sémantique humaine portée par le formalisme. Ce formalisme étant également représenté par un graphe, l'algorithme consiste en la mise en correspondance des deux graphes. L'une des principales limites de la première version de l'algorithme est le nombre multiple d'appariements obtenus. Cela rend le « Wise Object » confus et l'empêche de choisir la bonne sémantique pour communiquer avec l'humain. Je propose donc un second algorithme, qui étend le premier, en prenant en compte la sémantique disponible dans les deux graphes pour raffiner la mise en correspondance.Au cours de ma thèse, j'ai pu mettre en place une collaboration entre le laboratoire DOMUS de l'Université de Sherbrooke et le laboratoire LISTIC de l'Université Savoie Mont Blanc. Au cours de cette collaboration, j'ai travaillé avec DOMUS sur le problème inverse, la communication homme vers machine. Dans le contexte du maintien des personnes à domicile, le problème consiste à trouver tous les capteurs/effecteurs qui sont responsables d'aider une personne âgée à effectuer une activité telle que « Pauline gets out of bed, Pauline takes a glass of water ». Cette activité est décrite par les aidants/proches sous la forme d'une requête vocale transmise à la maison intelligente. Ce problème me conduit à l'alignement de l'ontologie dans le contexte des systèmes d'assistance à l'autonomie.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.010 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".