Diagnostic and Value Of Information

Dans le cadre de l'analyse décisionnelle, il est souvent intéressant, par exemple dans une application d'aide au diagnostic, de chercher à optimiser les séquences de questions/réparations qui permettront de trouver la cause d'une panne, d'un défaut, d'une maladie, etc. Un outil souvent décrit dans ce cadre est celui du calcul de la valeur de l'information parfaite (Value of Perfect Information, VPI). Étant donnés un modèle probabiliste, un état du système et une quantification (utilité) des résultats possibles, cet outil est capable théoriquement d'aider à proposer quelle information serait la plus intéressante à obtenir pour améliorer la connaissance de l'état du système. Malheureusement les calculs sont assez coûteux et ont certainement limité l'utilisation de la VPI dans des cas complexes.

Ce projet a pour but d'étudier l'implémentation d'une telle méthode dans le cadre des modèles graphiques (et particulièrement des réseaux bayésiens) qui devraient permettent normalement de minimiser la complexité des calculs nécessaires. Dans un second temps, si possible, on s'intéressera à l'apprentissage des différents paramètres du modèle en fonction des interactions (apprentissage par renforcement, etc.). Le projet s'effectuera en python (en particulier pyAgrum).

Bibliographie:

• Russell et al.: Artificial intelligence A modern approach, chapter 16 (2019)
• Heckerman et al.: An approximate nonmyopic computation for value of information IEEE Transactions on Pattern
  Analysis and Machine Intelligence 15(3), pp292–298 (1993)
• Urszula Chajewska, Daphne Koller, Ronald Parr:Making Rational Decisions Using Adaptive Utility Elicitation
  AAAI, Innovative Applications of Artificial Intelligence Conference, pp363-369 (2000)