L’apprentissage analogique est un mécanisme qui permet le transfert de formes d’entrée (par exemple, des chaînes) vers des formes de sortie sans recourir à l’entrainement d’un modèle. Pour se faire, chaque analogie identifiée dans l’espace d’entrée impliquant la forme d’entrée à traiter donne lieu à une équation analogique dans l’espace de sortie dont la résolution mène à des solutions candidates. Puisque plusieurs analogies peuvent impliquer la forme d’entrée et que la résolution d’une équation génère plusieurs solu- tions, de nombreuses formes candidates sont typiquement produites parmi lesquelles il convient de filtrer.

Dans cette thèse, nous étudions deux solutions permettant de réduire le bruit généré par ce processus. La première consiste à apprendre à agréger les solutions candidates. Nous comparons à cet effet des classificateurs entraînés de manière supervisée à reconnaitre la solution attendue des autres solutions produites à des systèmes de reclassement d’hypothèses. La seconde solution met à profit l’apprentissage structuré pour apprendre à résoudre une équation analogique en générant moins de formes candidates, de manière à augmenter les chances de prédire en tête la solution attendue.

Nous montrons que les deux solutions permettent d’améliorer significativement les performances d’un système analogique, et ce sur plusieurs tâches de traduction.