Soutenance de thèse de Vincent BLASE

Apprentissage actif sous contraintes guidé par la structure des données : nouvelles méthodes d'acquisition informative des connaissances et applications aux données métaboliques pour la caractérisation et l'anticipation du vieillissement.


Titre anglais : Constraint-based active learning guided by structured data : new methods for informative knowledge acquisition and applications to metabolic data for characterizing and predicting Aging.
Ecole Doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse
Spécialité : Informatique et Télécommunications
Etablissement : Université Toulouse II Jean Jaurès
Unité de recherche : UMR 5505 - IRIT : Institut de Recherche en Informatique de Toulouse
Direction de thèse : Olivier TESTE- Isabelle ADER-PERARNAU
Co-encadrement de thèse : Moncef GAROUANI


Cette soutenance aura lieu vendredi 18 décembre 2026 à 14h00
Adresse de la soutenance : IRIT – 118 Route de Narbonne, Cours Rose Dieng-Kuntz, F-31062 TOULOUSE CEDEX 9 - salle Auditorium J. Herbrand IRIT 1 RDC

devant le jury composé de :
Olivier TESTE   Professeur des universités   Université Toulouse - Jean Jaurès   Directeur de thèse
Isabelle ADER-PERARNAU   Chargée de recherche   Université de Toulouse   CoDirecteur de thèse
Jérôme AZÉ   Professeur des universités   Université de Montpellier   Rapporteur
Thomas GUYET   Directeur de recherche   Inria de Lyon   Rapporteur
Marie-Christine JAULENT   Directeur de recherche   Inserm Île-de-France Centre-Nord   Examinateur
Victoria BOURGEAIS   Maîtresse de conférences   Université de Bordeaux   Examinateur
Julien ALIGON   Maître de conférences   Université Toulouse Capitole   Examinateur


Résumé de la thèse en français :  

En raison de l’augmentation de l’espérance de vie à l’échelle mondiale, le vieillissement de la population est devenu un enjeu majeur de santé publique. Le vieillissement est un processus complexe qui concerne l'ensemble de la population et qui s'exprime à plusieurs niveaux. Dans un contexte de vieillissement démographique, l'un des enjeux majeurs est d'identifier précocement les individus à risque de déclin fonctionnel, afin de mieux anticiper leur trajectoire de santé. Afin de caractériser au mieux le vieillissement fonctionnel d'un individu, des critères cliniques, comme la fragilité ou la capacité intrinsèque, ont été mis en place. Toutefois, ces critères sont tardifs et parfois difficilement accessibles. Dans ce contexte, identifier des marqueurs précoces, de préférence biologiques, est nécessaire. À travers la cohorte humaine INSPIRE-T, une analyse statistique, puis d'apprentissage automatique supervisé, a été menée afin d'identifier des associations entre des biomarqueurs, issus de prélèvements sanguins, et les critères du vieillissement.

Cependant, l'absence de résultats concrets, liée notamment à la taille limitée et à la complexité des données, a mis en évidence le besoin de mettre en place des méthodes innovantes d'apprentissage. La labellisation de nouvelles données étant coûteuse et difficile à mettre en place, l'apprentissage actif sous contrainte (ACC), qui consiste à injecter itérativement, au fil de l'apprentissage du modèle, des connaissances scientifiques sous forme de contraintes, permet de s'affranchir de cette labellisation tout en orientant le modèle vers une solution désirée.

Toutefois, la génération de contraintes tout au long du processus a un coût. Obtenir une partition satisfaisante tout en minimisant le nombre de contraintes générées représente un véritable défi. La problématique suivante se pose alors : Comment sélectionner les contraintes les plus pertinentes à soumettre à l'utilisateur afin d'atteindre une partition tout en minimisant le nombre de contraintes données ?
Les méthodes existantes sont, pour la majorité, basées sur des heuristiques simples qui, bien qu'efficaces, sont peu adaptées à des jeux de données complexes présentant des différences d'échelles et de densités. Or, le jeu de données INSPIRE présente de telles caractéristiques. De notre côté, nous pensons que la prise en compte d'heuristiques différentes, s'appuyant notamment sur une analyse fine de la distribution du jeu de données afin de garantir que les contraintes sont représentatives de celle-ci et permettent de maximiser la valeur informative des interactions avec l'utilisateur, est nécessaire pour analyser des jeux de données complexes dans le cadre de l'ACC.

À partir de cette hypothèse, nous avons mis en place deux méthodes d'ACC. La première, FALCON, propose de prendre en compte la distribution des données pour sélectionner les contraintes les plus pertinentes. À l'aide d'un noyau adapté localement, elle s'adapte directement aux différences d'échelle et de densité du jeu de données, permettant de capturer les différentes régions présentes dans celui-ci. La deuxième, FALCON-X, reprend le fonctionnement de FALCON tout en y intégrant une composante d'explicabilité qui permet de mettre en évidence des zones d'incertitude sur lesquelles injecter des contraintes. Ces deux méthodes d'ACC ont été éprouvées sur un benchmark de plusieurs dizaines de jeux de données issus de la littérature et ont démontré des performances bien supérieures aux méthodes déjà existantes.

Grâce à ces nouveaux modèles, nous avons pu approfondir l'analyse de la cohorte INSPIRE-T en y appliquant les méthodes d'ACC. Cependant, bien que les premiers résultats ne permettent pas de mettre en évidence des biomarqueurs associés à la trajectoire de vieillissement, la mise en place de ces nouvelles méthodes d'ACC ouvre de nouvelles pistes de réflexion et de recherche, offrant un outil puissant et efficace pour l'analyse de la cohorte.

 
Résumé de la thèse en anglais:  

Global life expectancy is constantly increasing. As such, unhealthy aging has become a major public health issue. Aging is a complex process that affects the entire population and manifests itself at multiple levels. In the context of an aging population, one of the major challenges is to identify individuals at risk of functional decline early on, in order to better anticipate their health trajectory. To best characterize an individual’s functional aging, clinical criteria, such as frailty or intrinsic capacity, have been established. However, these criteria are late-stage indicators and are sometimes difficult to assess. In this context, identifying early markers—preferably biological ones—would make it possible to anticipate an individual’s aging trajectory in order to provide personalized prevention and monitoring. Using the INSPIRE-T human cohort, a statistical analysis followed by supervised machine learning was conducted to identify associations between biomarkers derived from blood samples and measures of aging.

However, the lack of concrete results due to the limited size and complexity of the data has highlighted the need to implement innovative learning methods. Since labeling new data is costly and difficult to implement, constrained active learning (ACC), which involves iteratively injecting scientific knowledge in the form of constraints as the model learns, makes it possible to avoid this labeling while guiding the model toward a desired solution.

Nevertheless, generating constraints throughout the process comes at a cost. Obtaining a satisfactory partition while minimizing the number of constraints generated poses a real challenge. This raises the following question: How can we select the most relevant constraints to present to the user in order to achieve a partition while minimizing the number of constraints provided ?
Most existing methods are based on simple heuristics such as Euclidean distance or entropy. These heuristics, while effective, are ill-suited to complex datasets with differences in scale and density. However, the INSPIRE dataset exhibits precisely these characteristics. Existing ACC methods fail to provide a satisfactory partition with a reduced number of constraints for such datasets.
We believe that incorporating different heuristics—based in particular on a detailed analysis of the dataset’s distribution to ensure that the constraints are representative of it and maximize the informational value of user interactions—is necessary for analyzing complex datasets in the context of ACC.


Based on this hypothesis, we developed two methods for ACC. The first, FALCON, takes the data distribution into account to select the most relevant constraints. Using a locally adapted kernel, it directly adapts to differences in scale and density within the dataset, allowing it to capture the various regions present in the data. The second, FALCON-X, builds on the functionality of FALCON while incorporating an explainability component that highlights areas of uncertainty where constraints should be applied. These two ACC methods were tested on a benchmark comprising several dozen datasets from the literature and demonstrated performance far superior to existing methods. Through this work, we have thus proposed ACC methods adapted to complex datasets, which provide the user with a satisfactory partition while minimizing the number of constraints required to establish that partition.

Thanks to these new models, we were able to conduct a more in-depth analysis of the INSPIRE-T cohort by applying ACC to it. However, although the initial results do not identify any biomarkers associated with the aging trajectory, the implementation of these new ACC methods opens up new avenues for reflection and research, providing a powerful and effective tool for analyzing the cohort.

Mots clés en français :Apprentissage machine, Apprentissage actif, clustering sous contrainte, Vieillissement, Empreintes métaboliques, Syndrome de fragilité,
Mots clés en anglais :   Machine learning, Active learning, Pairwise clustering, Aging, metabolic fingerprints, Frailty syndrome,