Applying Answer Set Programming with Fuzzy Membership Functions: a Case Study

Résumé Technique : Application de la programmation par ensembles de réponses avec des fonctions d'appartenance floues

Énoncé du problème
L'article traite du défi consistant à intégrer des données numériques, souvent issues de modèles d'apprentissage automatique (ML), avec un raisonnement qualitatif piloté par des experts. Si le ML excelle dans l'extraction de motifs à partir de données non structurées, ses résultats sont souvent difficiles à interpréter et à auditer. À l'inverse, les cadres de raisonnement symbolique (comme la programmation par ensembles de réponses, ou ASP) offrent une transparence, mais peinent face à la nature continue, bruitée et dépendante du contexte des données réelles. Les approches traditionnelles pour combler ce fossé reposent souvent sur des seuils rigides pour mapper des valeurs numériques à des catégories qualitatives (par exemple, « élevé » ou « faible »), ce qui entraîne un comportement fragile où de légères variations d'entrée provoquent des changements brusques et peu intuitifs dans les résultats. Les auteurs visent à développer un cadre qui soutient un raisonnement robuste sous l'incertitude en évitant les seuils rigides et en utilisant plutôt des valeurs de vérité graduées fondées sur des données numériques.

Méthodologie : Cadre FLASP
Les auteurs proposent une nouvelle extension floue, qualitative et basée sur des étiquettes, de la programmation par ensembles de réponses appelée FLASP (Answer Set Programming with Fuzzy Membership Functions). Ce cadre est une extension directe de l'ASP classique à deux valeurs, permettant l'intégration fluide de prédicats nets (crisp) et flous.

• Syntaxe et Sémantique :

  • Prédicats : Les prédicats sont enrichis d'un ensemble d'étiquettes linguistiques (ex. : bon marché, cher, petit, grand). Chaque prédicat $p$ est associé à un triplet $\langle \Lambda_p, M_p, \Sigma_p \rangle$, où $\Lambda_p$ est l'ensemble des étiquettes, $M_p$ est une famille de fonctions d'appartenance, et $\Sigma_p$ est une collection de S-normes.
  • Fonctions d'appartenance : Les prédicats d'entrée (EDB) utilisent des fonctions d'appartenance ($\mu_\ell$) pour mapper les entrées numériques vers des degrés d'appartenance dans $[0, 1]$. Ces fonctions peuvent être dérivées de l'expertise du domaine ou de l'apprentissage automatique. Les prédicats dérivés (IDB) sont contraints par des profils de vérité admissibles ($\gamma_p$), qui définissent des combinaisons sémantiquement cohérentes de degrés de vérité à travers différentes étiquettes, empêchant les assignations incohérentes (ex. : un objet ne peut pas être simultanément « rapide » et « lent » avec un degré d'appartenance élevé).
  • Règles de raisonnement : Le langage utilise des règles Datalog floues où les conditions de corps sont agrégées via des T-normes (ex. : min, produit) et les valeurs de vérité dérivées sont propagées via des S-normes. La négation est gérée via des fonctions décroissantes (ex. : négateur de Łukasiewicz).
  • Inférence : Le système emploie un algorithme d'itération de point fixe (Algorithme 1) pour calculer le modèle minimal des programmes $\gamma$-monotones. Une caractéristique clé est le mécanisme de $\gamma$-propagation : si une valeur de vérité est dérivée pour une étiquette, le profil de vérité admissible infère automatiquement des valeurs cohérentes pour d'autres étiquettes liées, assurant la cohérence sémantique.

• Architecture Hybride :
  Le cadre supporte un pipeline neuro-symbolique où :

  1. Couche Sub-symbolique : Des modèles de ML (ex. : auto-encodeurs pour la détection d'anomalies, clustering k-means flou) génèrent des caractéristiques numériques et des degrés d'appartenance initiaux.
  2. Couche Symbolique : Les règles FLASP traitent ces entrées graduées, appliquant une logique définie par des experts pour dériver des concepts qualitatifs de plus haut niveau.
  3. Couche de Décision : Le cadre supporte une transition « flou-vers-net » (fuzzy-to-crisp). Les prédicats peuvent posséder à la fois une étiquette continue (ex. : niveau_flou) et une étiquette binaire (ex. : net). La fonction d'appartenance pour l'étiquette nette agit comme une fonction en escalier (seuil), permettant au système de prendre des décisions déterministes (ex. : rejeter vs garder) basées sur le raisonnement flou sous-jacent sans scripts de défuzzification externes.

Étude de Cas : Contrôle Qualité Industriel
La méthodologie est instanciée dans une étude de cas impliquant la détection de dommages dans une ligne de production de vis, utilisant le jeu de données MVTec.

• Entrée : Le système traite des images de vis à l'aide d'AE-XAD (une méthode de détection d'anomalies explicable) pour générer des cartes de chaleur d'anomalies et un clustering k-means flou pour caractériser les défauts par aire, excentricité, intensité de couleur, distance et solidité.
• Logique : Un ensemble de règles ($\Pi_{control}$) évalue la gravité des anomalies et les classifie comme défauts fonctionnels ou esthétiques.
  • Les défauts fonctionnels (ex. : têtes de vis manquantes) déclenchent des règles spécifiques basées sur une faible solidité ou une distance élevée par rapport au centre.
  • Les défauts esthétiques sont identifiés par une haute solidité et des profils spécifiques de couleur/distance.
• Actions : Sur la base de la sévérité inférée et du type de défaut, le système détermine les actions : rejeter, réparer (interne ou externe), ou réduire le prix.
• Évaluation : Les auteurs démontrent la capacité du système à gérer des entrées ambiguës. Par exemple, dans un cas de « anomalie de face manipulée », le système infère correctement une sévérité élevée et un défaut fonctionnel, menant à une décision nette de rejet. Dans un cas de « anomalies de rayures », le système identifie correctement des défauts esthétiques de faible sévérité, les orientant vers une auto-réparation plutôt que vers le rejet.

Contributions Clés

1. Instanciation de FLASP : L'article fournit une instanciation concrète du cadre proposé de programmation ASP floue qualitative dans un scénario réaliste de détection de dommages industriels.
2. Pipeline de Raisonnement Intégré : Il conçoit et prototype un pipeline complet qui intègre des fonctions d'appartenance basées sur les données (issues du ML) avec un inférence qualitative par règles.
3. Transition Flou-vers-Net : Il démontre comment le cadre gère naturellement la transition du raisonnement flou continu vers des actions booléennes déterministes grâce aux contraintes sémantiques et aux profils d'appartenance, éliminant ainsi le besoin de post-traitement ad hoc.

Résultats et Signification
L'article affirme que le cadre parvient avec succès à combler le fossé entre les sorties numériques du ML et le raisonnement symbolique. Les résultats de l'étude de cas montrent que le système peut :

• Atténuer le Bruit du ML : La couche symbolique, grâce aux contraintes sémantiques et aux profils de vérité, corrige les comportements sémantiquement contre-intuitifs souvent trouvés dans les sorties brutes du ML (ex. : assigner des degrés non nuls à des étiquettes contradictoires).
• Garantir l'Interprétabilité : L'utilisation d'étiquettes linguistiques et de règles déclaratives permet aux experts du domaine d'encoder la connaissance naturellement, rendant le processus de décision traçable et fondé sur des hypothèses explicites.
• Maintenir la Robustesse : Le système évite la fragilité des seuils rigides. De petites variations d'entrée entraînent des changements gradués et fluides dans les résultats plutôt que des basculements d'état abrupts.

Les auteurs soulignent que, bien que les propriétés formelles du langage soient détaillées dans un travail compagnon, la signification de cet article réside dans la démonstration de l'efficacité pratique de l'approche. Elle permet une modélisation robuste et expressive des processus de décision du monde réel où l'expertise, les facteurs contextuels et les interprétations subjectives doivent être unifiés au sein d'un cadre déclaratif unique. Le travail met en évidence que le langage est une extension directe de l'ASP classique, garantissant que lorsque seules des prédicats nets sont utilisés, le système revient précisément à la sémantique standard de l'ASP.