Abstract FR:

Dans certains contextes techniques, la discrimination pose les problèmes suivants : les données peuvent comprendre des erreurs ; elles sont souvent insuffisamment représentatives du point de vue de l'analyse de données ; enfin, elles comprennent des exemples et des règles. Les données initiales sont trop imparfaites et/ou de trop grande taille pour se prêter à la recherche directe d'une solution optimale ; nous proposons donc une résolution par approximations successives. L'apprentissage multicouches est un processus itératif en deux temps : un algorithme de généralisation par élimination détermine une base de règles discriminantes approximatives à partir d'une base d'apprentissage incluant des exemples et des règles ; un opérateur de redescription, la réduction, permet de se ramener au nouveau problème, qui consiste à améliorer cette base de règles approximatives. L'itération du processus définit un apprentissage incrémental, capable de raffiner les règles obtenues par un traitement global ou séquentiel des données disponibles