Thanh Long NGUYEN
Titre de la thèse : Combinaison d’approches fondées sur la logique et de réseaux de neurones pour un raisonnement défaisable efficace sur des ontologies biomédicales à grande échelle
Les Logiques de Description sont des formalisms logiques qui fournissent les fondements logiques des ontologies formelles, un composant essentiel des technologies sémantiques répondant à de nombreuses applications, en particulier dans le domaine médical. Pour faire simple, les ontologies biomédicales sont représentées dans un format lisible par machine, permettant aux systèmes informatiques d’exploiter les propriétés, les relations et les axiomes rigoureusement définis par le biais des DLs.
Puisque les ontologies formelles reflètent la connaissance humaine, elles sont sujettes à des exceptions et à des incohérences potentielles. Contrairement au raisonnement mathématique strict (classique), la logique humaine est souvent incertaine, incomplète et, par conséquent, naturellement sujette à révision. Par conséquent, doter les DL de fonctionnalités de raisonnement non monotone comble cette lacune, en s’appuyant sur des recherches approfondies sur le raisonnement non monotone dans le domaine de la représentation des connaissances et du raisonnement.
Bien que les DLs expressives offrent une grande explicabilité, le raisonnement sur de grandes ontologies médicales fait face à de graves problèmes de passage à l’échelle en raison de la complexité exponentielle de l’algorithme de tableaux traditionnel qui gère le non-déterminisme. Pour surmonter cela, ce projet de doctorat propose une nouvelle approche neuro-symbolique qui intègre des réseaux de neurones dans des algorithmes basés sur des tableaux afin de prédire les choix et les branches non déterministes les plus prometteurs à explorer en premier, atténuant ainsi les explosions exponentielles dans le pire des cas. Nos recherches se concentrent sur la combinaison des Logiques de Description (DLs) et des Réseaux de Neurones pour améliorer le raisonnement avec des connaissances non monotones sur des ontologies biomédicales à grande échelle.
Thesis title : Combining Logic-based Approaches and Neural Networks for Effective Defeasible Reasoning over Large-Scale Biomedical Ontologies
Description Logics are logical formalisms that provide the logical foundations of formal ontologies, a pivotal component of semantic technologies meeting a great deal of applications, particularly in the medical domain. To put it simply, biomedical ontologies are represented in machine-readable format, enabling computational systems to leverage the properties, relations, and axioms rigorously defined through DLs.
Since formal ontologies mirror human knowledge, they are prone to exceptions and potential inconsistency. Unlike strict (classical) mathematical reasoning, human logic is often tentative, incomplete, and, as a result, naturally subject to revision. Therefore, endowing DLs with defeasible-reasoning features thus bridges this gap, building on rich research in non-monotonic reasoning.
While expressive DLs provide high explainability, reasoning over large medical ontologies faces severe scalability issues due to the exponential complexity of the traditional tableau algorithm in handling nondeterminism. To overcome this, the doctoral project proposes a novel neuro-symbolic approach that integrates neural networks into tableau-based algorithms to predict the most promising non-deterministic choices and branches to explore first, thereby mitigating worst-case exponential blowups. Our research focuses on combining Description Logics (DLs) and Neural Networks to improve reasoning with defeasible knowledge over large-scale biomedical ontologies.
Contactez-nous !
Campus de Villetaneuse
@univ_SPN