Etude de la construction par réseaux neuromimétiques de représentations interprétables : Application à la prédiction dans le domaine des télécommunications

Artificial neural networks constitute good tools for certain types ofcomputational modeling (being potentially efficient, easy to adapt andfast). However, they are often considered difficult to interpret, and aresometimes treated as black boxes. However, whilst this complexity impliesthat it is difficult to understand the internal organization that developsthrough learning, it usually encapsulates one of the key factors for obtaining good results. First, to yield a better understanding of howartificial neural networks behave and to validate their use as knowledgediscovery tools, we have examined various theoretical works in order todemonstrate the common principles underlying both certain classical artificial neural network, and statistical methods for regression and dataanalysis. Second, in light of these studies, we have explained thespecificities of some more complex artificial neural networks, such asdynamical and modular networks, in order to exploit their respectiveadvantages in constructing a revised model for knowledge extraction,adjusted to the complexity of the phenomena we want to model. The artificialneural networks we have combined (and the subsequent model we developed)can, starting from task data, enhance the understanding of the phenomenamodeled through analyzing and organizing the information for the task. Wedemonstrate this in a practical prediction task for telecommunication, wherethe general domain knowledge alone is insufficient to model the phenomenasatisfactorily. This leads us to conclude that the possibility for practicalapplication of our work is broad, and that our methods can combine withthose already existing in the data mining and the cognitive sciences.Les réseaux de neurones artificiels sont de bons outils demodélisation (efficaces, facilement adaptables et rapides) mais ilsont la réputation d'être difficiles à interpréter et sont généralementcomparés à des boîtes noires dont il n'est pas facile de comprendrel'organisation interne, pourtant responsable de leurs bonnesperformances. Pour obtenir une meilleure compréhension dufonctionnement des réseaux connexionnistes et une validation de leurutilisation en tant qu'outils d'acquisition de connaissances, nousavons, dans un premier temps, réuni divers travaux théoriques pourmontrer les points communs existant entre certains réseaux de neuronesclassiques et des méthodes statistiques de régression et d'analyses dedonnées. Dans un deuxième temps et à la lumière de ce qui précède,nous avons expliqué les particularités de réseaux connexionnistes pluscomplexes, tels que des réseaux dynamiques ou modulaires, afind'exploiter leurs avantages respectifs en concevant un nouveau modèled'extraction de connaissances adapté à la complexité du phénomène àmodéliser. Les réseaux connexionnistes que nous avons réunis etinterprétés et le modèle que nous avons développé peuvent, à partirdes données, enrichir la compréhension du phénomène en analysant et enorganisant les informations par rapport à la tâche à accomplir commenous l'illustrons à travers une application de prédiction dans ledomaine des télécommunications où la connaissance du domaine ne suffitpas à modéliser correctement le phénomène. Les possibilitésd'application de notre travail sont donc larges et s'inscrivent dansle cadre de la fouille de données et dans le domaine des sciencescognitives