Cette année, ce seront 3 papiers du CRIL qui seront présentés à IJCAI 2019.

Rational Inference Relations from Maximal Consistent Subsets Selection

Sébastien Konieczny, Pierre Marquis, Srdjan Vesic

Lorsque l’on est en présence d’informations contradictoires, une méthode standard pour tirer des conclusions non triviales à partir de ces informations, est de considérer les plus grands sous-ensembles cohérents de formules, et de conclure toutes les informations qui sont conséquences de tous ces sous-ensembles. Dans ce travail nous avons proposé de nouvelles relations d’inférence basées sur une selection (des meilleurs) de ces sous-ensembles. Nous avons montré que ces méthodes avaient toutes les propriétés requises pour des relations d’inférences (elles satisfont toutes les propriétés des relations rationnelles). Et nous avons montré un théorème de représentation, qui établit une correspondance entre ces relations d’inférences basées sur une sélection de ces sous-ensembles et les relations rationnelles.

What Has Been Said? Identifying the Change Formula in a Belief Revision Scenario

Nicolas Schwind, Katsumi Inoue, Sébastien Konieczny, Jean-Marie Lagniez, Pierre Marquis

Dans ce travail nous tentons de répondre au problème suivant: Nous savons qu’une annonce a été faite à un ensemble d’agents, mais nous n’en connaissons pas le contenu (supposons qu’on a vu quelqu’un venir parler à un groupe, mais qu’on était trop loin pour entendre ce qui se disait). Nous connaissions les croyances des agents avant, et nous connaissons les croyances des agents après l’annonce. Et la question est: à partir de ces informations, que pouvons nous connaitre de cette annonce. Nous étudions donc ce que l’on peut en dire, en en proposant une approximation (un encadrement) dans le cas général, et dans certains cas particuliers (lorsque l’on en sait un peu plus sur la méthode de révision des agents ou sur le sujet de l’annonce). Et nous étudions quand on peut exactement déterminer l’annonce qui a été faite. Des résultats expérimentaux nous montrent en particulier qu’en général il suffit d’une trentaine d’agents pour pouvoir déterminer précisément le message.

Simple Conditionals with Constrained Right Weakening

Giovanni Casini, Thomas Meyer, Ivan Varzinczak

Des énoncés de type “si-alors”, appelés conditionnels, jouent un rôle fondamental dans le raisonnement humain et sont étudiés depuis l’antiquité. Ils peuvent avoir des intuitions différentes, en fonction du contexte, tout en gardant la même forme. Les énoncés “si tu bois, tu ne dois pas conduire”, “si tu jettes la pierre contre la fenêtre, elle cassera”, “si j’étais riche, j’aurais fait un don”, “si un animal est un oiseau, alors normalement il vole”, entre autres, sont des exemples de conditionnels utilisés dans les contextes légaux, causaux, contre-factuels, et de raisonnement de sens commun. Un problème important en intelligence artificielle est celui de déterminer les conséquences (implicites) d’un ensemble de conditionnels. Dans ce travail nous explorons une façon de le faire de sorte à ce que les conclusions déduites à partir d’une base de conditionnels soient les plus informatives possible dans le contexte de l’utilisateur. En particulier, nous montrons que notre approche est plus générale que celles proposées dans la literature et qu’elle peut servir comme fondement pour l’analyse de différentes formes de raisonnement basés sur des conditionnels.