Thèse Approche Neuro-Symbolique pour la Détection et la Correction des Incohérences dans les Bases de Connaissances Temporelles H/F - Doctorat.Gouv.Fr

Établissement : Université Paris Cité École doctorale : Ecole Doctorale d'Informatique, Télécommunications et Electronique Laboratoire de recherche : Laboratoire d'Informatique Paris Descartes Direction de la thèse : Salima BENBERNOU Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-01T23:59:59 Le temps joue un rôle central dans le traitement de l'information : les événements se produisent à des instants ou à des intervalles précis, et les relations entre les entités (par exemple, la propriété, les diagnostics, l'emploi, les emplacements) évoluent au fil du temps. La prise en compte de cette dimension temporelle est essentielle pour de nombreuses applications du monde réel telles que la banque, les dossiers médicaux électroniques et les systèmes d'information géographique. Dans ces contextes, les données sont naturellement organisées sous forme de bases de connaissances temporelles (temporal KBs), c'est-à-dire des bases de connaissances dont les assertions sont horodatées ou associées à des intervalles de temps, et dont l'état peut changer à mesure que de nouvelles observations arrivent. Dans ce contexte, les travaux de recherche portent sur les bases de connaissances en logiques de description temporelle (TDL). Les approches existantes se heurtent encore à des limites d'efficacité lorsque la base de connaissances temporelle devient volumineuse, ce qui justifie le besoin de méthodes plus évolutives pour le raisonnement et la réparation dans des bases de connaissances temporelles réalistes. Dans cette thèse, nous visons à proposer une IA neurosymbolique qui aidera les raisonneurs TDL en améliorant l'évolutivité, la robustesse et le guidage pendant l'inférence. Time plays a central role in information processing: events happen at specific instants or intervals, and relationships between entities (e.g., ownership, diagnoses, employment, locations) evolve over time. In this thesis, we deal with Temporal Description Logics (TDLs) that extends DLs with temporal constructs to represent and reason about evolving knowledge covering events, states, clinical timelines, logs, and trajectories [1,2]. Propose a neuro-symbolic AI approach in order to help the TDL reasoners improving scalability, robustness, and guidance during inference and data reparation. Provide:
1. Neuro-symbolic embeddings approach: Provide an approach to learning the representations of concepts/roles/time that preserve TDL semantics and support temporal entailment
2. Neural-guided symbolic reasoner: Propose a reasoner that neural models approximate or guide TDL reasoning (e.g., pruning, ranking, caching) while maintaining correctness guarantees. The aim is to accelerate the reasoner.
3. Uncertainty and inconsistency approach: Combine probabilistic/neural confidence with TDL reasoning to detect timestamps and conflicting facts (ABox) and rules (TBox).
4. Repairing approach: Combine neural confidence with TDL reasoning to repair temporal knowledge bases.

Deep learning, machine learning, IA symbolique, representation de connaissance et raisonnement temporel.