Abstract FR:

L'objectif de la programmation logique inductive est d'expliquer des observations en fournissant un programme logique qui modelise correctement ces observations. Cet apprentissage doit donc mettre en uvre d'une part des methodes de construction de definitions, et d'autre part des methodes de validation qui doivent permettre de determiner si un programme appris est correct pour le critere de correction choisi. De nombreuses approches se limitent a l'apprentissage de programmes definis ; nous proposons ici d'etendre le langage de representation aux programmes normaux, i. E. Aux programmes ou la negation peut apparaitre dans le corps des clauses. Cette extension a deux types de consequences sur le resultat de l'apprentissage, dus au pouvoir d'expression accru des programmes normaux : d'une part, les definitions apprises seront en general plus simples et donc faciles a comprendre pour un utilisateur ; d'autre part, il peut etre impossible de trouver un programme defini satisfaisant, alors que des solutions avec negation existent. Le critere de correction que nous avons choisi dans ce cadre est la coherence et la completude du programme appris par rapport a l'ensemble d'observations, ce critere etant exprime au moyen de proprietes de l'une des deux semantiques declaratives que sont le modele de fitting et le modele bien fonde. La premiere partie de notre travail consiste a proposer des methodes de validation qui permettent de dire si un programme est coherent et complet par rapport a une interpretation attendue. Ces methodes de validations globales ne sont en general pas assez fines pour permettre de valider des etapes importantes de la construction d'un programme telles que l'ajout ou le retrait d'une ou plusieurs clauses. Pour cette raison, nous proposons dans un second temps, un modele d'induction de programmes normaux qui integre des phases de validation plus fines.