Apprentissage de modèles de préférences : un mariage entre théorie de la décision et apprentissage statistique

Les travaux présentés dans cette thèse se situent à l’intersection de la théorie de la décision et de l’apprentissage automatique. L’objectif est de proposer des méthodes d’apprentissage pour des modèles de préférences issus de la théorie de la décision, dans le but d’expliquer ou de prédire les préférences d’un décideur.

Nous nous intéressons en particulier aux modèles de type fonction de valeur prenant en compte les interactions entre les différents points de vue sur les alternatives, tels que l’intégrale de Choquet, l’utilité multilinéaire et les fonctions d’utilité GAI décomposables. Ces modèles présentent un fort pouvoir descriptif, tout en assurant une forme de rationalité dans les préférences via le respect de propriétés mathématiques souhaitables, et en permettant l’interprétabilité grâce à leurs paramètres.

En raison de la nature combinatoire des interactions, l’apprentissage de ces modèles représente un défi computationnel, car il nécessite la détermination d’un nombre exponentiel de paramètres, parfois soumis à des contraintes combinatoires.

Dans cette thèse, nous proposons de contrôler la flexibilité de ces modèles via l’apprentissage de représentations parcimonieuses des interactions, notamment à l’aide de régularisations favorisant la parcimonie, et d’alléger la complexité computationnelle en exploitant des méthodes d’optimisation convexes pour l’apprentissage automatique, adaptées à l’apprentissage parcimonieux en grande dimension. Finalement, cette thèse fournit :

1. des formulations de problèmes d’apprentissage adaptées à différents modèles de préférences ainsi qu’à divers cadres d’apprentissage : à partir d’exemples préalablement collectés (apprentissage passif), à partir de requêtes soigneusement sélectionnées (élicitation des préférences ou apprentissage actif), ou à partir de flux d’exemples (apprentissage en ligne),
2. des algorithmes d'optimisation computationnellement efficaces pour la résolution de ces problèmes, et
3. des évaluations expérimentales sur des données de préférences synthétiques et réelles.

Soutenance : 20/06/2025

Membres du jury :

Yann Chevaleyre, Professeur, Université Paris Dauphine-PSL [Rapporteur]
Michel Grabisch, Professeur, Université Paris 1 Panthéon-Sorbonne [Rapporteur]
Isabelle Bloch, Professeure, Sorbonne Université
Sébastien Destercke, Directeur de recherche au CNRS, Université de Technologie de Compiègne
Eyke Hüllermeier, Professeur, Ludwig-Maximilians-Universität München
Christophe Labreuche, Ingénieur de recherche, Thales Recherche et Technologie
Patrice Perny, Professeur, Sorbonne Université
Nataliya Sokolovska, Professeure, Sorbonne Université

Publications 2022-2025

• 2025
  • M. Herin : “Learning Preference Models: A Marriage between Decision Theory and Machine Learning”, soutenance de thèse, soutenance 20/06/2025, direction de recherche Perny, Patrice, co-encadrement : Sokolovska, Nataliya (2025)
• 2024
  • M. Herin, P. Perny, N. Sokolovska : “Learning preference representations based on Choquet integrals for multicriteria decision making”, Annals of Mathematics and Artificial Intelligence, vol. 92 (6), pp. 1511-1544, (Springer Verlag) (2024)
  • M. Herin, P. Perny, N. Sokolovska : “Noise-Tolerant Active Preference Learning for Multicriteria Choice Problems”, Algorithmic Decision Theory, vol. 15248, Lecture Notes in Computer Science (LNAI), New Brunswick, NJ, United States, pp. 191-206, (Springer Nature Switzerland), (ISBN: 978-3-031-73903-3) (2024)
  • M. Herin, P. Perny, N. Sokolovska : “Online Learning of Capacity-Based Preference Models”, Proceedings of the Thirty-third International Joint Conference on Artificial Intelligence (IJCAI-24), Jeju, Korea, Republic of (2024)
  • M. Herin, M. Il Idrissi, V. Chabridon, B. Iooss : “Proportional marginal effects for global sensitivity analysis”, SIAM/ASA Journal on Uncertainty Quantification, vol. 12 (2), pp. 667-692, (ASA, American Statistical Association) (2024)
  • M. Herin, P. Perny, N. Sokolovska : “Learning GAI-decomposable Utility Models for Multiattribute Decision Making”, Proc. 38^th AAAI Conference on Artificial Intelligence (AAAI 2024), Vancouver, Canada (2024)
• 2023
  • M. Herin, P. Perny, N. Sokolovska : “Learning Preference Models with Sparse Interactions of Criteria”, IJCAI 2023 - The 32^nd International Joint Conference On Artificial Intelligence, Macao, China (2023)
• 2022
  • M. Herin, P. Perny, N. Sokolovska : “A Dual Approach for Learning Sparse Representations of Choquet Integrals”, DA2PL From Multiple-Criteria Decision Aid to Preference Learning, Compiègne, France (2022)
  • M. Herin, P. Perny, N. Sokolovska : “Learning Sparse Representations of Preferences within Choquet Expected Utility Theory”, Proceedings of the Thirty-Eighth Conference on Uncertainty in Artificial Intelligence, vol. 180, Proceedings of Machine Learning Research, Eindhoven, Netherlands, pp. 800-810, (PMLR) (2022)
  • M. Herin, P. Perny, N. Sokolovska : “Learning Utilities and Sparse Representations of Capacities for Multicriteria Decision Making with the Bipolar Choquet Integral”, Multidisciplinary Workshop on Advances in Preference Handling, IJCAI, Vienne, Austria (2022)