Analyse en Moyenne de la Complexité des Algorithmes d’Apprentissage Relationnel

Résumé : Ce papier présente pour la première fois une analyse empirique de la complexité des algorithmes d’apprentissage relationnel sur tout le paysage de la complexité des problèmes (en particulier dans le cadre du motif standard “easy-hard-easy”). Cette analyse est rendue possible grâce aux récents travaux en transition de phase où un générateur de problèmes aléatoires a été proposé, dont les paramètres d’ordre permettent de traverser tout le spectre de la complexité. Dans le cas que nous avons considéré, le paramètre d’ordre utilisé est le nombre d’exemples positifs et négatifs. Nous avons analysé le comportement des algorithmes d’apprentissage relationnel les plus utilisés. Les résultats obtenus montrent qu’il reste encore du chemin à parcourir pour obtenir des algorithmes efficaces en apprentissage. En particulier, la courbe de la complexité des algorithmes testés montrent un profil “easy-hardhard” – sauf pour le cas de l’approche ascendante guidée par les données (lgg) – alors que la courbe théorique possède un profil “easy-hard-easy”. Cette étude ouvre la voie vers une analyse en profondeur des comportements des algorithmes et la proposition d’algorithmes se rapprochant le plus du référentiel théorique désormais disponible.