Ensemble de correction minimal basé sur l'adéquation des contraintes en clustering
Résumé
Constraint-incremental clustering consists in letting an expert iteratively add constraints to improve an initial partition step-by-step. Conflicts can occur when a newly added constraint contradicts others given in previous iterations. We address this issue by introducing a hybrid approach combining machine learning and constraint programming (CP). Our method learns a model that scores the adequacy of each constraint with respect to past user feedback. These scores are then used in a CP model computing a minimal correction set, identifying the constraints whose removal would resolve the conflict while preserving those most aligned with user intent. Experiments on synthetic and real-world datasets demonstrate the efficiency and practical relevance of this guided correction mechanism.
Le clustering sous contraintes incrémentales voit un expert améliorer pas à pas une partition de départ par ajouts successifs de contraintes. Un conflit peut apparaître quand des contraintes ajoutées entrent en contradiction avec d'autres fournies aux itérations précédentes. Pour résoudre ce problème, nous proposons une approche hybride combinant apprentissage automatique et programmation par contraintes. Notre méthode consiste à entraîner un modèle sur les retours utilisateurs passés, pour calculer un score d'adéquation des contraintes à ce modèle. Cette mesure est ensuite employée comme pondération pour un problème d'optimisation sous contraintes afin d'identifier les contraintes divergeant le plus du retour utilisateur pour les enlever en priorité. Des tests sur des jeux de données et des cas pratiques d'utilisation montrent la pertinence de cette approche.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |