Probabilistic relational models: learning and evaluation

Résumé : L'apprentissage statistique relationnel est apparu au début des années 2000 comme un nouveau domaine de l'apprentissage machine permettant de raisonner d'une manière efficace et robuste directement sur des structures de données relationnelles. Plusieurs méthodes classiques de fouille de données ont été adaptées pour application directe sur des données relationnelles. Les réseaux Bayésiens Relationnels (RBR) présentent une extension des réseaux Bayésiens (RB) dans ce contexte. Pour se servir de ce modèle, il faut tout d'abord le construire : la structure et les paramètres du RBR doivent être définis à la main ou être appris à partir d'une instance de base de données relationnelle. L'apprentissage de la structure reste toujours le problème le plus compliqué puisqu'il se situe dans la classe des problèmes NP-difficiles. Les méthodes d'apprentissage de la structure des RBR existantes sont inspirées des méthodes classique de l'apprentissage de la structure des RB. Pour pouvoir juger la qualité d'un algorithme d'apprentissage de la structure d'un RBR, il faut avoir des données de test et des mesures d'évaluation. Pour les RB les données sont souvent issues de benchmarks existants. Sinon, des processus de génération aléatoire du modèle et des données sont mis en oeuvre. Les deux pratiques sont quasi absentes pour les RBR. De plus, les mesures d'évaluation de la qualité d'un algorithme d 'apprentissage de la structure d'un RBR ne sont pas encore établies. Dans ce travail de thèse, nous proposons deux contributions majeures. I)Une approche de génération de RBR allant de la génération du schéma relationnel, de la structure de dépendance et des tables de probabilités à l'instanciation de ce modèle et la population d'une base de données relationnelle. Nous discutons aussi de l'adaptation des mesures d'évaluation des algorithmes d'apprentissage de RBs dans le contexte relationnel et nous proposons de nouvelles mesures d'évaluation. II) Une approche hybride pour l'apprentissage de la structure des RBR. Cette approche présente une extension de l'algorithme MMHC dans le contexte relationnel. Nous menons une étude expérimentale permettant de comparer ce nouvel algorithme d'apprentissage avec les approches déjà existantes.
Type de document :
Thèse
Computer Science [cs]. Université de Nantes, Ecole Polytechnique; Université de Tunis, Institut Supérieur de Gestion de Tunis, 2015. English
Liste complète des métadonnées

Littérature citée [144 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-01179501
Contributeur : Mouna Ben Ishak <>
Soumis le : mercredi 22 juillet 2015 - 16:12:49
Dernière modification le : jeudi 26 novembre 2015 - 01:04:23
Document(s) archivé(s) le : vendredi 23 octobre 2015 - 11:20:55

Fichier

Identifiants

  • HAL Id : tel-01179501, version 1

Collections

Citation

Mouna Ben Ishak. Probabilistic relational models: learning and evaluation. Computer Science [cs]. Université de Nantes, Ecole Polytechnique; Université de Tunis, Institut Supérieur de Gestion de Tunis, 2015. English. 〈tel-01179501〉

Partager

Métriques

Consultations de la notice

420

Téléchargements de fichiers

979