Differences

This shows you the differences between two versions of the page.

--- compte-rendu-etat-art-these [2025/07/17 01:54]
47.128.120.165 old revision restored (2025/07/04 06:31)
+++ compte-rendu-etat-art-these [2025/07/20 05:59] (current)
216.73.216.84 old revision restored (2025/07/17 14:15)
@@ Line 55: / Line 55: @@
 Représentations définies sur un triplet (E, C, A) [Evenement, Condition, Action],
 Algo de classification -> chercher des motifs d'interactions à partir des données. Permet de construire de manière générale la régularité puis d'affiner petit à petit.
-====Les systèmes multi-agents====
-Système complexe : système qui a un effet sur son environnement et ses propres composantes.
-Application des SMA :
-   * alternative à la résolution de problèmes centralisés
-   * la simulation (biologie, sociologie...)
-   * paradigme de programmation
-Façons d'envisager l'apprentissage décentralisé des SMA :
-   * Un système peut être améliorer en dotant ses agents de capacités d'apprentissage qui leur sont propre.
-   * Les agents peuvent apprendre de manière distribué et interactive -> c'est le système qui apprend par l'évolution des agents.
-Catégories d'apprentissage des SMA :
-   * apprentissage centralisé : les agents apprennent seul.
-   * apprentissage décentralisé : les agents sont impliqués dans la même activé d'apprentissage
-L'apprentissage centralisé et décentralisé peuvent cohabiter.
-===Attribution des récompenses===
-Difficulté de donner des récompenses, comment savoir quels agents doivent avoir le feedback lors d'un changement au global ?
-(CAP : Credit Assignement Problem)
-Décomposition du problème en deux sous problèmes :
-   * CAP inter-agent : Rétribution des agents en fonction d'un changement de performance au niveau global.
-   * CAP intra-agent : Rétribution des inférences internes ou décisions d’un agent en fonction d’une action externe effectuée.
-Une solution plus simple consiste à diviser la récompense globale entre tous les agents du système, mais ceci ne marche pas correctement dans les cas plus complexe qui nécessitent un feedback plus précis.
-===Caractéristiques de l’apprentissage décentralisé===
-Apprendre un comportement collectif total ciblé est compliqué. Il est possible de simplifier le problème en isolant les comportements appris de certains agents, en réduisant l'hétérogénéité des comportements ou en réduisant la complexité des capacité des agents.
-Réduction de la complexité -> utiliser l'apprentissage par niveau (layered learning). Il faut alors décomposer automatiquement le problème et assurer une coordination des sous-comportements.
-====Approches neuro-inspirée====
-Approche connexionniste : modélise les phénomènes mentaux ou comportementaux comme des processus émergents de réseaux d’unités simples interconnectées.
-L'IA actuelle (systèmes experts, solveurs logiques, ...) exécute des algos, alors que l'intelligence "réelle" consiste à comprendre.
-L'ordinateur à un fonctionnement éloigné de celui du cerveau. La meilleure solution pour reproduire un système intelligent tel qu'un cerveau n'est donc pas forcément d'imiter la construction de ce dernier.
-Représentation invariante : régularité constante dans l'exécution d'un tâche.
-===Les approches connexionnistes dans le cadre de l’AmI===
-Le système ACHE (Adaptive Control of Home Environments) utilise les réseaux de neurone afin de gérer les dispositifs d'une maison. Le système se base sur une représentation d'état et l'occupation des zones pour prédire l'état futur de la maison. Il agit ensuite en conséquence pour modifier l'environnement.
-Problème de ce système : La connaissance acquise par les réseaux de neurones ne peut être utilisée que pour l'objectif défini. Si l'objectif change, le système doit tout réapprendre (Exemple : Si l'on souhaite maximiser la consommation d'énergie au lieu de la minimiser).

DokuWiki

Site Tools

Differences

Page Tools