Résumé
La programmation par contraintes est un paradigme puissant pour la résolution de problèmes combinatoires complexes. Son adoption est cependant souvent limitée par la difficulté de la modélisation, qui exige à la fois une expertise du domaine et une compréhension approfondie du paradigme de la programmation par contraintes. L'acquisition de contraintes a pour but d'automatiser ce processus de modélisation par l'apprentissage de contraintes à partir de données. L'acquisition de contraintes passive, en particulier, se concentre sur l'apprentissage à partir d'un ensemble d'exemples fourni. Les méthodes actuelles d'acquisition passive font cependant face à deux limitations majeures qui restreignent leur application. Premièrement, elles nécessitent que l'utilisateur fournisse un vaste ensemble d'exemples. Deuxièmement, elles présupposent que l'utilisateur possède des connaissances préalables sur le problème, comme une liste de contraintes potentielles ou une grammaire pour les exprimer. Cette thèse aborde ces limitations en proposant des méthodes d'acquisition de contraintes passive qui opèrent sans aucune connaissance préalable et avec un minimum d'exemples, tout en produisant des modèles qui tendent à être interprétables et à bien se généraliser à de nouvelles données.