Merge pull request #192 from KhiopsML/184-import-sparse-snb-code-from…

…-old-repo

Add Sparse Dataset Support to SNB

.github/workflows/conda.yml

@@ -155,9 +155,10 @@ jobs:
           # Set the anaconda.org channel
           ANACONDA_CHANNEL="${{ inputs.release-channel || 'khiops-dev' }}"
 
-          # For the release channel: upload without forcing
+          # For the release channel: upload without forcing; do not upload kni-transfer
           if [[ "$ANACONDA_CHANNEL" == "khiops" ]]
           then
+            rm -f -v ./build/conda/*/kni-transfer*.tar.bz2
             anaconda --token "${{ secrets.KHIOPS_ANACONDA_CHANNEL_TOKEN }}" upload \
               --user "$ANACONDA_CHANNEL" ./build/conda/*/*.tar.bz2
           # For the dev channel: upload with forcing

.pre-commit-config.yaml

@@ -44,3 +44,8 @@ repos:
         entry: python scripts/update-copyright.py
         language: system
         types_or: [c, c++, java]
+      - id: check-encoding
+        name: check-encoding
+        entry: python scripts/check-encoding.py
+        language: system
+        types_or: [c, c++]

CMakeLists.txt

@@ -254,8 +254,10 @@ function(set_unix_khiops_options target)
     target_link_options(${target} PRIVATE "LINKER:SHELL:-z noexecstack" "LINKER:SHELL:-z relro")
   endif()
 
-  # stripping
-  target_link_options(${target} PRIVATE $<$<CONFIG:RELEASE>:-s>)
+  # Stripping only in Linux + Release (-s is not supported in macOS)
+  if(NOT APPLE)
+    target_link_options(${target} PRIVATE $<$<CONFIG:RELEASE>:-s>)
+  endif()
 
   #
   # - fno-rtti: no run-time type information in Release or RelWithDebInfo .

scripts/check-encoding.py

@@ -0,0 +1,32 @@
+import os
+import string
+import sys
+
+# Files that must have non ASCII characters
+ignored_file_paths = ["src/Learning/KWTest/KWTextParser.cpp"]
+
+# Check the input files
+file_paths = sys.argv[1:]
+errors = False
+for file_path in file_paths:
+    # Ignore C++ files
+    name, extension = os.path.splitext(file_path)
+    if extension not in (".cpp", ".h"):
+        sys.exit(0)
+
+    # Ignore exceptions
+    if file_path in ignored_file_paths:
+        sys.exit(0)
+
+    # Try to read the file as ASCII
+    try:
+        with open(file_path, encoding="ascii") as file:
+            file.read()
+    # On failure show the lines that contain characters out of range
+    except UnicodeDecodeError:
+        with open(file_path, encoding="utf8", errors="replace") as file:
+            lines = file.readlines()
+            for line_number, line in enumerate(lines, 1):
+                if any(ord(char) > 127 for char in line):
+                    print(f"{file_path}:{line_number}: {line}", end="")
+        sys.exit(1)

src/Learning/DTForest/DTDecisionTree.cpp

@@ -2901,7 +2901,7 @@ void DTDecisionTree::ReplaceCurrentTreeWithOptimalTree()
 		odCurrentInternalNodes->GetNextAssoc(position, sKey, object);
 		node = cast(DTDecisionTreeNode*, object);
 
-		// mise à jour de la profondeur de l'arbre courant
+		// mise a jour de la profondeur de l'arbre courant
 		nTreeDepth = (nTreeDepth < node->GetDepth()) ? node->GetDepth() : nTreeDepth;
 
 		if (node->GetSplitAttributeStats() == NULL)

src/Learning/DTForest/DTDecisionTree.h

@@ -314,7 +314,7 @@ class DTDecisionTree : public KWLearningReport
 	ObjectDictionary* odCurrentLeaveNodes;
 
 	///  Dictionnaire de tous les noeud interet feuille construit
-	///  C'est la mémorie des noeuds
+	///  C'est la memorie des noeuds
 	ObjectDictionary odTreeNodes;
 
 	/// Dictionnaire de pointeurs vers les partitionnements successifs de KWDatabases (1 partitionnement par noeud

src/Learning/DTForest/DTDecisionTreeCreationTask.cpp

@@ -362,8 +362,8 @@ boolean DTDecisionTreeCreationTask::MasterPrepareTaskInput(double& dTaskPercent,
 			ReferenceTargetIntervalValues(odMasterInputAttributeStats);
 		}
 		// initialisation pour chaque selection du split pour la regression
-		// DISCRETIZATION_BINARY_EQUAL_FREQUENCY pour chaque selection on choisi un nombre alétoire de la
-		// coupure allant de 0 à nb_coupure-2
+		// DISCRETIZATION_BINARY_EQUAL_FREQUENCY pour chaque selection on choisi un nombre aletoire de la
+		// coupure allant de 0 a nb_coupure-2
 		if (shared_learningSpec.GetLearningSpec()->GetTargetAttributeType() == KWType::Continuous and
 		    randomForestParameter.GetDiscretizationTargetMethod() ==
 			DTForestParameter::DISCRETIZATION_BINARY_EQUAL_FREQUENCY)
@@ -1204,7 +1204,7 @@ boolean DTDecisionTreeCreationTask::ComputeResourceRequirements()
 	// Estimation de la memoire pour le maitre
 	lMasterMemory = ComputeMasterNecessaryMemory();
 
-	// mémoire necessaire pour calculer le plus gros arbre possible sur 1 esclave
+	// memoire necessaire pour calculer le plus gros arbre possible sur 1 esclave
 	lBiggestTreeMemory = ComputeBiggestTreeNecessaryMemory();
 
 	// Mise a jour des demandes de resources

src/Learning/DTForest/DTDecisionTreeSpec.cpp

@@ -308,8 +308,8 @@ KWDerivationRule* DTDecisionTreeSpec::CreateGroupIndexRule(const DTDecisionTreeN
 {
 	// creation d'une regle de type  Switch(GroupIndex(
 	//												ValueGroups(
-	// ValueGroup(“val1”,”val2”),
-	// ValueGroup(“val3”)
+	// ValueGroup("val1", "val2"),
+	// ValueGroup("val3")
 	//															),
 	//												var_categorielle_de_test),
 	//												1,2,1)
@@ -459,7 +459,7 @@ double DTDecisionTreeSpec::GetConstructionCost() const
 
 DTDecisionTreeNodeSpec::DTDecisionTreeNodeSpec()
 {
-	// adresse du noeud père
+	// adresse du noeud pere
 	nsFatherNode = NULL;
 
 	// type de la variable continue ou categoriel
@@ -645,8 +645,8 @@ longint DTDecisionTreeNodeSpec::ComputeHashOfGroupIndexRule() const
 {
 	// creation d'une regle de type  Switch(GroupIndex(
 	//												ValueGroups(
-	// ValueGroup(“val1”,”val2”),
-	// ValueGroup(“val3”)
+	// ValueGroup("val1", "val2"),
+	// ValueGroup("val3")
 	//															),
 	//												var_categorielle_de_test),
 	//												1,2,1)

src/Learning/DTForest/DTForestAttributeSelection.cpp

@@ -250,16 +250,16 @@ void DTForestAttributeSelection::BuildForestSelections(int nmaxselectionnumber,
 			nTmax = MIN_VARIABLE_2_BUILTREE_BORNE +
 				RandomInt(MAX_VARIABLE_2_BUILTREE_BORNE - MIN_VARIABLE_2_BUILTREE_BORNE);
 
-			// Probabilite de tirer une variable de level null Pnull: tire aléatoirement de façon uniforme
+			// Probabilite de tirer une variable de level null Pnull: tire aleatoirement de facon uniforme
 			// dans [Pnull_lb, Pnull_ub]
 			dPNull = MIN_DRAWING_NULL_VARIABLE_PROBABILITY +
 				 RandomDouble() *
 				     (MAX_DRAWING_NULL_VARIABLE_PROBABILITY - MIN_DRAWING_NULL_VARIABLE_PROBABILITY);
 
-			// Probabilité de tirer une variable informative Pinf = 1-Pnul
+			// Probabilite de tirer une variable informative Pinf = 1-Pnul
 			dPInf = 1 - dPNull;
 
-			// Nombre de variables à tirer nT = min(Tmax, sqrt(K log2(K+ct))
+			// Nombre de variables a tirer nT = min(Tmax, sqrt(K log2(K+ct))
 			// dct est une constante dependant MIN_VARIABLE_2_BUILTREE telque MIN_VARIABLE_2_BUILTREE =
 			// sqrt(MIN_VARIABLE_2_BUILTREE log2(MIN_VARIABLE_2_BUILTREE+ct)
 			dct = pow(2.0, nvariableNumberMin) - nvariableNumberMin;
@@ -282,7 +282,7 @@ void DTForestAttributeSelection::BuildForestSelections(int nmaxselectionnumber,
 			// nRmax_lb = nTinf;
 			// Borne sup:
 			// nRmax_ub = nKinf;
-			// Rang max choisi: Rmax, tiré aléatoirement de façon uniforme dans [Rmax_lb, Rmax_ub]
+			// Rang max choisi: Rmax, tire alaatoirement de facon uniforme dans [Rmax_lb, Rmax_ub]
 			nRmax = nTinf + RandomInt(nKinf - nTinf);
 
 			ivSelectionAttributeNumberInf.Add(nTinf);

src/Learning/KDDomainKnowledge/KDClassBuilder.h

@@ -302,12 +302,12 @@ class KDSparseUsedConstructedRule : public Object
 
 	// Memorisation d'un attribut calcule avec sa regle de derivation correspondant
 	// a la regle construite
-	// Attention: un meme attribut peut être utilise par plusieurs usedConstructedRule,
+	// Attention: un meme attribut peut etre utilise par plusieurs usedConstructedRule,
 	// car plusieurs regles construites peuvent correspondre au meme attribut existant en cas
 	// d'attribut initiaux avec regles de derivation en collision avec un nouvel attribut construit
 	// Exemple:
 	//   DecimalTime = DecimalTime(Time) : attribut existant
-	//   Time.DecimalTime = = DecimalTime(Time) : attribut construit à partir d'une regle appliquée sur Time
+	//   Time.DecimalTime = = DecimalTime(Time) : attribut construit a partir d'une regle appliquee sur Time
 	// Memoire: appartient a l'appelant
 	void SetAttribute(KWAttribute* attribute);
 	KWAttribute* GetAttribute() const;
@@ -368,7 +368,7 @@ class KDSparseUsedConstructedBlockRule : public Object
 
 	// Memorisation d'un bloc d'attribut calcule avec sa regle de derivation correspondant
 	// a la regle construite
-	// Attention: un meme attributeBlock peut être utilise par plusieurs usedConstructedBlockRule,
+	// Attention: un meme attributeBlock peut etre utilise par plusieurs usedConstructedBlockRule,
 	// comme dans le cas des KDSparseUsedConstructedRule
 	// Memoire: appartient a l'appelant
 	void SetAttributeBlock(const KWAttributeBlock* attributeBlock);

src/Learning/KDDomainKnowledge/KDConstructedRule.h

@@ -238,7 +238,7 @@ class KDConstructedRule : public Object
 	// Cout de la regle
 	double dCost;
 
-	// Index alatoire pour gerer les cas d'égalité de tri de facon reproductible
+	// Index alatoire pour gerer les cas d'egalite de tri de facon reproductible
 	int nRandomIndex;
 
 	// Tableau des type d'operandes (limite a 4 operandes max, ce qui est suffisant)

src/Learning/KDDomainKnowledge/KDMultiTableFeatureConstruction.cpp

@@ -662,7 +662,7 @@ void KDMultiTableFeatureConstruction::BuildMainClassRequestedConstructedRules(Ob
 	oaAllConstructedRules->Shuffle();
 
 	// On memorise l'index alatoire associe a chaque regle, pour assurer un ordre aleatoire reproductible
-	// en cas d'égalite de cout des regles
+	// en cas d'egalite de cout des regles
 	for (i = 0; i < oaAllConstructedRules->GetSize(); i++)
 		cast(KDConstructedRule*, oaAllConstructedRules->GetAt(i))->SetRandomIndex(i);
 

src/Learning/KDDomainKnowledge/KDSelectionOperandSamplingTask.cpp

@@ -182,8 +182,8 @@ boolean KDSelectionOperandSamplingTask::ComputeResourceRequirements()
 
 		// En variable par esclave: specification de l'echantillonneur, plus un echantillon
 		// On ignore la place prise pour referencer les objets des tables externes dans des dictionnaires, on
-		// considerant que c'est petit devant les objets externes eux même ainsi que leur references par cle
-		// memorise par le ObjectReferenceSolver de la base mùulti-tables
+		// considerant que c'est petit devant les objets externes eux meme ainsi que leur references par cle
+		// memorise par le ObjectReferenceSolver de la base multi-tables
 		GetResourceRequirements()->GetSlaveRequirement()->GetMemory()->UpgradeMin(
 		    lSelectionOperandDataSamplerSpecUsedMemory + lAllSamplesNecessaryMemory);
 		GetResourceRequirements()->GetSlaveRequirement()->GetMemory()->UpgradeMax(

src/Learning/KDDomainKnowledge/KDSelectionOperandSamplingTask.h

@@ -14,7 +14,7 @@ class KDSelectionOperandSamplingTask;
 // Classe technique utilisee par la classe KDSelectionOperandAnalyser
 //
 // Analyse de la base pour transformer toute extraire toutes les bornes ou valeur
-// des operandes de selection basees sur des données de la base, a partir d'une
+// des operandes de selection basees sur des donnees de la base, a partir d'une
 // specification conceptuelle de ces operandes de collection
 class KDSelectionOperandSamplingTask : public KWDatabaseTask
 {
@@ -36,7 +36,7 @@ class KDSelectionOperandSamplingTask : public KWDatabaseTask
 	///// Implementation
 protected:
 	//////////////////////////////////////////////////////////////////////////////
-	// Reproductibilité des resultats
+	// Reproductibilite des resultats
 	// Dans un premier temps, on va associer chaque instance secondaire
 	// a une paire d'index (i1, i2) de facon reproductible.
 	//  . dossiers principaux :

src/Learning/KDDomainKnowledge/KDTextFeatureConstruction.h

@@ -69,7 +69,7 @@ class KDTextFeatureConstruction : public KDFeatureConstruction
 	// sous-tables en relation 0-n d'un schema multi-table et les ramenerr dans la table principale.
 	// Il s'agit d'une alternative efficcae a la concatenation de variables Text, qui poserait des problemes
 	// de volumetrie, avec un des variables Symbol sans limite de taille. Avec des TextList geree dans des
-	// SymbolVector, tout ce qui peut etre charge dans une sous-table tient sans problème en memoire dans
+	// SymbolVector, tout ce qui peut etre charge dans une sous-table tient sans probleme en memoire dans
 	// un SymbolVector, qui ne fait que reference les Symbol des sous-tables.
 
 	// Methode interne de detection si un dictionnaire contient des variables de type texte utilises,

src/Learning/KIInterpretation/KIDRPredictor.cpp

@@ -262,7 +262,8 @@ void KIDRClassifierInterpretation::Compile(KWClass* kwcOwnerClass)
 				const KWDRDataGridStats* dataGridStats = classifier->GetDataGridStatsAt(nDataGridIndex);
 
 				// Recherche de l'index de la partie cible de la grille
-				int nTargetIndex = classifier->GetDataGridSetTargetIndexAt(nDataGridIndex, nClassIndex);
+				int nTargetIndex =
+				    classifier->GetDataGridSetTargetCellIndexAt(nDataGridIndex, nClassIndex);
 
 				// Parcours de toutes les parties sources
 				for (int nSourceIndex = 0; nSourceIndex < dataGridStats->GetDataGridSourceCellNumber();
@@ -691,7 +692,7 @@ Continuous KIDRClassifierContribution::ComputeInformationDifference(int nAttribu
 	cScoreWithoutOneVariableCorrected =
 	    (cScoreWithoutOneVariable + (0.5 / (nTargetValuesNumber * nDatabaseSize))) / (1.0 + (0.5 / nDatabaseSize));
 
-	// Vincent2009 - j'ai retiré la correction et ajouté celle au-dessus
+	// Vincent2009 - j'ai retire la correction et ajoute celle au-dessus
 	// Correction de Laplace pour eviter les divisions par zero
 	// cInitialScore = (cInitialScore * nDatabaseSize + 1) / (nDatabaseSize + nTargetValuesNumber);
 	// cScoreWithoutOneVariable = (cScoreWithoutOneVariable * nDatabaseSize + 1) / (nDatabaseSize +
@@ -1041,7 +1042,7 @@ Continuous KIDRClassifierContribution::ComputeNormalizedOddsRatio(int nAttribute
 	delete cvScoreVector;
 
 	// Commentaires sur ce code voir fonction "Weight of Evidence"
-	// on calcule le odd ratio entre P(C|X) et (P(C|X) privé de la variable
+	// on calcule le odd ratio entre P(C|X) et (P(C|X) prive de la variable
 	// puis on normalise pour avoir des valeurs entre -1 et +1
 	// cela corresponds au fait de faire passer le weight of evidence dans une sigmoide
 	cInitialScoreCorrected =
@@ -1717,7 +1718,7 @@ ContinuousVector* KIDRClassifierReinforcement::ComputeScoreVectorVariation(Conti
 			 ExtractLogPosteriorProba(nClassIndex, nAttributeIndex, nNewModalityIndex)));
 
 		// De la forme
-		// -> Add(P – W *((OLD) – (NEW)))
+		// -> Add(P - W * ((OLD) - (NEW)))
 	}
 
 	return cvNewScoreVector;

src/Learning/KIInterpretation/KIHowParameterView.cpp

@@ -18,7 +18,7 @@ KIHowParameterView::KIHowParameterView()
 	// On interdit l'acces au champ
 	GetFieldAt("VarMax")->SetEditable(false);
 
-	// Ajout d'un champ de saisie du nom de la modalité cible de reference pour
+	// Ajout d'un champ de saisie du nom de la modalite cible de reference pour
 	// le renforcement de la probabilite d'appartenance
 	AddStringField("HowClass", "Value of the class to reinforce", "");
 

src/Learning/KWData/JSONFile.h

@@ -266,7 +266,7 @@ class JSONFile : public Object
 	static StringVector svWindows1252UnicodeHexEncoding;
 	static StringVector svWindows1252Utf8HexEncoding;
 
-	// Vecteur des codes UTF8 pour les 32 caracteres de controles Windows-1252 (128 à 159), et leur index
+	// Vecteur des codes UTF8 pour les 32 caracteres de controles Windows-1252 (128 a 159), et leur index
 	static KWIntVectorSorter ivsWindows1252ControlCharUtf8CodeSorter;
 
 	// Instance statique de JSONFile, permettant de forcer l'initialisation des structure d'encodage une fois

src/Learning/KWData/KWCDUniqueString.h

@@ -33,7 +33,7 @@ class KWCDUniqueStringDictionary;
 // en exemplaire unique permet un gain potentiel de memoire tres important, et une
 // diminution du morcellement memoire.
 //
-// La gestion des KWCDUniqueString est similaire à celle des Symbol, mais elle differe
+// La gestion des KWCDUniqueString est similaire a celle des Symbol, mais elle differe
 // sur les points suivants:
 //  . les Symbol sont tres optimises en memoire, et ne donne acces qu'a des char*, alors
 //    que les UniqueString contiennent directement un ALString, directement utilisable

src/Learning/KWData/KWClass.h

@@ -471,7 +471,7 @@ class KWClass : public Object
 	ObjectArray* GetDatabaseDataItemsToCompute();
 	const ObjectArray* GetConstDatabaseDataItemsToCompute() const;
 
-	// Liste des elements de donnees temporaires à calculer, pouvant etre nettoyes et recalcules plusieurs fois
+	// Liste des elements de donnees temporaires a calculer, pouvant etre nettoyes et recalcules plusieurs fois
 	ObjectArray* GetDatabaseTemporayDataItemsToComputeAndClean();
 	const ObjectArray* GetConstDatabaseTemporayDataItemsToComputeAndClean() const;
 

src/Learning/KWData/KWDataTableDriverTextFile.cpp

@@ -732,7 +732,7 @@ longint KWDataTableDriverTextFile::GetEstimatedObjectNumber()
 
 	// Ouverture du fichier
 	// On prend la taille par defaut qui correspond a une taille "raisonnable" pour une analyse rapide et assez
-	// significative du fichier On ne prend pas ici la PreferredBufferSize liee au fichier, qui risque d'e�tre soit
+	// significative du fichier On ne prend pas ici la PreferredBufferSize liee au fichier, qui risque d'etre soit
 	// trop petite, soit trop grande
 	temporaryFile.SetBufferSize(InputBufferedFile::nDefaultBufferSize);
 	temporaryFile.SetSilentMode(true);

src/Learning/KWData/KWDatabaseFormatDetector.h

@@ -76,7 +76,7 @@ class KWDatabaseFormatDetector : public Object
 
 	// Fonction cosmetique de gestion du pluriel
 	// Passage au pluriel pour un nombre strictement plus grand que 1
-	// Règles: ""->"s"; "is"->"are", "has",->"have"
+	// Regles: ""->"s"; "is"->"are", "has",->"have"
 	const ALString Plural(const ALString& sSource, int nNumber) const;
 
 	//////////////////////////////////////////////////////////////////////////////////////////////////

src/Learning/KWData/KWDatabaseMemoryGuard.h

@@ -208,7 +208,7 @@ class KWDatabaseMemoryGuard : public Object
 	// proche du probleme de "one-shot (black) pebbling".
 	//  cf. https://cs.stackexchange.com/questions/60772/finding-an-optimal-topological-ordering
 	// Il s'agit d'un probleme dont meme l'aproximation est NP-complet.
-	// La solution optimale n�est donc pas atteignable, et les heuristiques de resolution du probleme
+	// La solution optimale n'est donc pas atteignable, et les heuristiques de resolution du probleme
 	// sont non triviales a mettre au point. De plus, pour assurer une empreinte memoire minimale, on devra
 	// se ramener potentiellement a la solution pragmatique, qui periodiquement peut etre amenee a tout nettoyer.
 	// Le rapport cout-benefice de cette solution etendue est alors extrement defavorable, avec un cout

src/Learning/KWData/KWObject.h

@@ -215,7 +215,7 @@ class KWObject : public Object
 	// Destruction des attributs (recursive pour les objet inclus)
 	void DeleteAttributes();
 
-	// Nettoyage des elements de donnees attributs temporaires � calculer, pouvant etre nettoyes et recalcules
+	// Nettoyage des elements de donnees attributs temporaires a calculer, pouvant etre nettoyes et recalcules
 	// plusieurs fois
 	void CleanTemporayDataItemsToComputeAndClean();
 

src/Learning/KWData/KWTextTokenizer.h

@@ -265,7 +265,7 @@ class KWTextTokenizer : public KWTextService
 	//
 	// On utilise le principe de l'algorithme de
 	//  R. Karp, S. Shenker, and C. Papadimitriou. A Simple Algorithm for Finding Frequent Elements
-	//  in Streams and Bags. ACM Transactions on Database Systems, 28(1):51�55, 2003.
+	//  in Streams and Bags. ACM Transactions on Database Systems, 28(1):51--55, 2003.
 	// Cet algorithme garantie que l'on trouvera en O(1) par token toutes les valeurs sufisament frequentes,
 	// avec eventuellement des faux positifs
 	// En en demandant 10 fois plus, les plus frequents sont probablement retrouves de facon plus stable

src/Learning/KWData/KWTimestampTZ.h

@@ -144,8 +144,8 @@ inline ostream& operator<<(ostream& ost, const TimestampTZ& value)
 // Gestion du format d'entre sortie d'une TimestampTZ
 // Un format de TimestampTZ est base sur un format de Timestamp suivi d'une partie de type time zone,
 // en utilisant un format ISO 8601:
-//    <Timestamp format>zzzzz: basic time zone format (Z or +hhmm or �hhmm)
-//    <Timestamp format>zzzzzz: extended time zone format (Z or +hh:mm or �hh:mm)
+//    <Timestamp format>zzzzz: basic time zone format (Z or +hhmm or -hhmm)
+//    <Timestamp format>zzzzzz: extended time zone format (Z or +hh:mm or -hh:mm)
 class KWTimestampTZFormat : public Object
 {
 public:

src/Learning/KWDataPreparation/KWAttributePairsSpec.h

@@ -75,7 +75,7 @@ class KWAttributePairsSpec : public Object
 	// Une fois specifiees et en utilisant la classe, les paires a analyser
 	// effectivement sont calculees en ignorant avec warning les paires
 	// impliquant des variables absentes de la classe.
-	// Les paires specifique sont prioritaires par rapport � toutes les
+	// Les paires specifique sont prioritaires par rapport a toutes les
 	// paires si celles si-sont demandees. Si le nombre total de paires
 	// depasse le max, on priorise en prenant d'abord les paires impliquant
 	// les attributs de plus fort level dans le cas supervise, puis