Modèles Relationnels Probabilistes et Incertitude de Références : Apprentissage de structure avec algorithmes de partitionnement

Anthony Coutant 1
1 DUKe - Data User Knowledge
LINA - Laboratoire d'Informatique de Nantes Atlantique : UMR 6241
Résumé : Nous sommes entourés de données hétérogènes et interdépendantes. L’hypothèse i.i.d. a montré ses limites dans les algorithmes considérant des jeux de données tabulaires, constitués d’individus dotés du même domaine de définition et sans influence mutuelle. L’apprentissage relationnel statistique a pour objectif la représentation de connaissances, le raisonnement et l’apprentissage dans des contextes de jeux de données multi relationnels avec incertitude et les modèles graphiques probabilistes de second ordre sont une solution pour l’apprentissage génératif dans ce contexte. Nous étudions dans cette thèse un type de modèles graphiques probabilistes de second ordre dirigés, appelés modèles relationnels probabilistes, dans un contexte d’incertitude de références, c.-à-d. où les individus d’un jeu de données peuvent présenter à la fois une incertitude sur la valeurs de leurs attributs descriptifs, et sur leurs implications dans des associations avec d’autres individus, et ayant la particularité de s’appuyer sur des fonctions de partitionnement des individus pour découvrir des connaissances générales. Nous présentons les limites des modèles existant pour l’apprentissage dans ce contexte et proposons des extensions présentant l’intérêt de pouvoir utiliser des méthodes de partitionnement relationnel, plus adaptées au problème, et proposant un biais de représentation simplifié autorisant la découverte de connaissances supplémentaires, notamment entre les différents types d’association du domaine de définition relationnel.
Type de document :
Thèse
Apprentissage [cs.LG]. Université de Nantes, 2015. Français
Liste complète des métadonnées

Littérature citée [181 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-01254524
Contributeur : Anthony Coutant <>
Soumis le : mardi 12 janvier 2016 - 13:30:57
Dernière modification le : vendredi 27 avril 2018 - 15:38:17
Document(s) archivé(s) le : vendredi 11 novembre 2016 - 00:40:43

Identifiants

  • HAL Id : tel-01254524, version 1

Collections

Citation

Anthony Coutant. Modèles Relationnels Probabilistes et Incertitude de Références : Apprentissage de structure avec algorithmes de partitionnement. Apprentissage [cs.LG]. Université de Nantes, 2015. Français. 〈tel-01254524〉

Partager

Métriques

Consultations de la notice

271

Téléchargements de fichiers

573