Méta-apprentissage d'expériences Concepts, stratégies et perspectives

Résumé. Dans certains domaines de la vie économique, notamment dans le domaine de la santé, de nombreuses expériences réparties dans le temps et/ou dans l’espace traitent d’un même sujet et y apportent leur éclairage. De chaque expérience, on peut élaborer une prédiction, une connaissance selon différentes techniques d’apprentissage. La problématique de notre article vise à répondre à la question suivante : comment traiter automatiquement les résultats obtenus par apprentissage sur des expériences distribuées ? Le méta-apprentissage répond à cette question. Il s’agit d’élaborer une méta-connaissance. Cette méta-connaissance permet de définir une prédiction finale mais aussi d’expliquer les variations observées sur les prédictions issues de chaque apprentissage. Classiquement, le métaapprentissage peut alors être conduit selon trois stratégies : la stratégie par vote, par combinaison et par arbitrage. Après avoir développé ces trois stratégies, nous décrivons les perspectives dans le domaine du méta-apprentissage : le méta-apprentissage méta-analytique qui permet d’élaborer de la métaconnaissance à partir d’expériences distribuées et indépendantes, et le méta-apprentissage de trajectoires qui permet de traiter des données qui évoluent dans le temps. Mots-Clés : méta-apprentissage, bases de données, modélisation.