Le calcul attributionnel est un système de logique et de représentation défini par Ryszard S. Michalski. Il combine des éléments de logique des prédicats, de calcul propositionnel et de logique multivaluée. Le système fournit un langage formel pour l'induction naturelle, qui est un processus d'apprentissage inductif dont les résultats sont sous des formes lisibles par l'humain.
Le calcul attributionnel a été introduit dans un rapport de 2004 intitulé « ATTRIBUTIONAL CALCULUS: A Logic and Representation Language for Natural Induction », publié par le Machine Learning and Inference Laboratory de l'université George Mason à Fairfax, en Virginie. Ce travail visait à remédier aux limitations des cadres antérieurs d'apprentissage inductif, en particulier leur dépendance à des formalismes difficiles à interpréter pour les humains.
Principes fondamentaux
Le calcul attributionnel étend la logique classique en introduisant des expressions basées sur des attributs. Contrairement à la logique des prédicats standard, qui utilise des prédicats et des variables, ce système représente la connaissance par des attributions - des énoncés qui assignent des propriétés ou des valeurs à des entités. Chaque attribution est structurée comme une relation entre un objet et une valeur, souvent avec un niveau de confiance ou de certitude associé.
Le calcul intègre trois traditions logiques : la logique des prédicats pour représenter les relations, le calcul propositionnel pour les connecteurs de vérité fonctionnelle, et la logique multivaluée pour traiter la vérité partielle ou l'incertitude. Cette combinaison permet l'expression d'énoncés nuancés qui peuvent être partiellement vrais, une caractéristique absente des systèmes logiques binaires.
Une caractéristique clé est l'utilisation d'attributions annotées, où chaque assertion peut porter des poids ou des qualificatifs. Ces annotations permettent la représentation de degrés de croyance, de probabilités ou de valeurs d'appartenance floues, rendant le système adapté aux contextes de Machine learning où les données sont bruitées ou incomplètes.
Induction naturelle
La motivation principale du calcul attributionnel était de soutenir l'induction naturelle, un processus d'apprentissage de règles générales à partir d'exemples spécifiques. Michalski a conçu le langage pour que les hypothèses générées pendant l'induction puissent être exprimées sous des formes ressemblant à des énoncés en langage naturel humain, améliorant ainsi l'interprétabilité.
Dans l'induction naturelle, l'algorithme d'apprentissage prend un ensemble d'exemples positifs et négatifs et produit des règles attributionnelles. Ces règles sont généralement de la forme « si les attributions A et B tiennent, alors l'attribution C tient », chaque attribution étant une assignation de valeur à un attribut d'un objet. La sortie lisible par l'humain distingue cette approche des méthodes antérieures d'apprentissage symbolique qui produisaient des formules complexes de logique du premier ordre.
Cette emphase sur la lisibilité s'alignait avec les tendances plus larges de l'Artificial intelligence à l'époque, qui valorisaient la transparence dans les modèles appris. Le cadre visait à combler le fossé entre l'IA basée sur la logique formelle et les applications pratiques où les experts du domaine doivent examiner et valider les connaissances apprises.
Relation avec d'autres formalismes
Le calcul attributionnel partage des similitudes avec les logiques de description et les systèmes de représentation des connaissances basés sur des cadres, qui organisent également la connaissance autour des objets et de leurs propriétés. Cependant, il diffère par son traitement explicite de la vérité multivaluée et son accent sur l'induction plutôt que la déduction.
Comparé au calcul propositionnel traditionnel, le calcul attributionnel permet des variables et une structure relationnelle, augmentant le pouvoir expressif. Comparé à la logique des prédicats complète, il impose des restrictions sur la quantification et utilise une syntaxe plus structurée qui soutient un apprentissage efficace des règles. La composante multivaluée permet des degrés de satisfaction, ce qui est utile pour traiter des données d'entraînement contradictoires ou incomplètes.
Le système se rapporte également aux premiers travaux en logique floue, bien qu'il maintienne une orientation symbolique plutôt que de s'appuyer sur des fonctions d'appartenance continues. L'intégration de ces éléments était novatrice pour son époque, anticipant les approches hybrides ultérieures en apprentissage automatique qui combinent des règles logiques avec un raisonnement probabiliste.
Applications et héritage
Le travail de Michalski sur le calcul attributionnel faisait partie d'un programme de recherche plus large au Machine Learning and Inference Laboratory de l'université George Mason. Ce laboratoire a contribué à des méthodes fondamentales en apprentissage inductif, y compris la famille d'algorithmes AQ, qui ont servi d'implémentations pratiques de l'apprentissage de règles attributionnelles.
Bien que le calcul attributionnel n'ait pas atteint l'adoption généralisée d'autres cadres de représentation des connaissances, ses idées ont influencé la recherche ultérieure sur l'apprentissage automatique interprétable. L'emphase sur les hypothèses lisibles par l'humain anticipe les efforts modernes pour rendre les sorties de Deep learning et de Large language model plus explicables. La notion d'attributions annotées a également préfiguré les systèmes de programmation logique probabiliste qui combinent des règles logiques avec des probabilités.
Dans la pratique contemporaine du Machine learning, l'utilisation directe du calcul attributionnel est limitée, mais ses contributions conceptuelles restent pertinentes. Il est cité dans la littérature académique sur la programmation logique inductive et la découverte de connaissances. Le cadre est étudié principalement par des chercheurs intéressés par l'histoire de l'IA et par les approches symboliques de l'apprentissage.
Voir aussi
- Représentation des connaissances
- Programmation logique inductive
- Intelligence artificielle explicable
Références
Michalski, R.S., « ATTRIBUTIONAL CALCULUS: A Logic and Representation Language for Natural Induction », Reports of the Machine Learning and Inference Laboratory, MLI 04–2, George Mason University, Fairfax, VA, avril 2004.