Validation systémique des bases de règles floues : prise en compte de la disponibilité des données et des spécificités de l’inférence floue} // Systemic validation of fuzzy rule bases: accounting for data availability and the specific characteristics of

Ce sujet de thèse s’inscrit dans le domaine de l’intelligence artificielle symbolique. Contrairement aux approches basées sur les réseaux de neurones, ces méthodes reposent sur des règles explicites, souvent issues d’experts ou apprises à partir de peu de données, ce qui les rend interprétables mais potentiellement imparfaites.

Le problème central est donc la validation des bases de règles floues : il s’agit de vérifier que les règles produisent des résultats cohérents, utiles et fiables. Les méthodes existantes utilisent des métriques globales (performance globale du système) et locales (qualité de chaque règle), mais elles prennent peu en compte certaines spécificités importantes. Par exemple, les interactions entre règles peuvent fortement influencer le comportement final.

La thèse propose de développer une approche globale et systématique pour valider ces bases de règles, que des données soient disponibles ou non. Elle vise notamment à concevoir de nouvelles métriques capables de capturer ces interactions, en s’inspirant, par exemple, d’approches basées sur des graphes (comme les FinGrams ou les systèmes de réputation).

Le travail comprendra la définition d’un cadre méthodologique, la proposition de nouvelles mesures de validation, ainsi que leur implémentation et leur évaluation expérimentale.

Les résultats attendus sont des outils plus précis pour détecter les règles problématiques, et une amélioration globale de la performance et de la fiabilité des systèmes d’inférence floue.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD topic lies within the field of symbolic artificial intelligence. Unlike approaches based on neural networks, these methods rely on explicit rules, often provided by experts or learned from limited data, making them interpretable but potentially imperfect.

The central problem is therefore the validation of fuzzy rule bases: the goal is to ensure that the rules produce consistent, useful, and reliable results. Existing methods use global metrics (overall system performance) and local metrics (the quality of each rule), but they do not sufficiently account for certain important specificities. For example, interactions between rules can strongly influence the final behavior.

The thesis proposes to develop a comprehensive and systematic approach to validate these rule bases, whether data is available or not. In particular, it aims to design new metrics capable of capturing these interactions, drawing inspiration, for example, from graph-based approaches (such as FinGrams or reputation systems).

The work will include the definition of a methodological framework, the proposal of new validation measures, as well as their implementation and experimental evaluation.

The expected outcomes are more precise tools for detecting problematic rules, and an overall improvement in the performance and reliability of fuzzy inference systems.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département d’Instrumentation Numérique
Service : Service de Simulation et Intelligence Artificielle
Laboratoire : Laboratoire Intelligence Artificielle de Confiance pour l’Instrumentation
Date de début souhaitée : 01-09-2026
Ecole doctorale : Sciences et Technologies de l’Information et de la Communication (STIC)
Directeur de thèse : POLI Jean-Philippe
Organisme : CEA
Laboratoire : DRT/DIN
URL : https://expressif.cea.fr/

Public/private mixed funding

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département d’Instrumentation Numérique
Service : Service de Simulation et Intelligence Artificielle