Meaningful objective frequency-based interesting pattern mining - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Meaningful objective frequency-based interesting pattern mining

Extraction objective et signifiante de motifs intéressants sur la base de leur fréquence

Résumé

In this thesis, we study objective interesting pattern mining processes on datasets such as used in itemset mining. We focus on the notions of objectivity and meaningfulness in mining processes. We establish a link between the meaningfulness of a mining process and that of its corresponding mathematical modeling. We formulate a number of recommendations in terms of modeling choices for increasing both meaningfulness and objectivity. We also establish a link between the study of objective interesting pattern mining and the issue of the automation of scientific discovery.Our theoretical analysis exhibits the adequacy of considering maximum entropy models in such mining processes. We then proceed with presenting a novel mathematical construction for such models, based on a notion of constrained independence, which is specifically adapted to the itemset context. Based on this construction and on tools from algebraic geometry, we present an exact method for computing maximum entropy models. Last, based on our recommendations for the mathematical modeling of pattern mining processes and our notion of constrained independence, we present a new objective interesting pattern mining algorithm.
L'objet de cette thèse est l'étude des processus d'extraction d'informations objectives et intéressantes dans une base de données portant sur la fréquence de cooccurrence de différents attributs dans une population statistique (telles qu'utilisées en itemset mining notamment). On s'intéresse aux notions d’objectivité et de la signification des processus d'extraction. On relie la question de la signification d'un processus à celle de sa modélisation mathématique qui lui est sous-jacente, et on présente une étude détaillée des impacts, en terme de signification, des différents choix de modélisations que l'on peut opérer. Notre analyse fait ressortir la pertinence de l'utilisation de modèles de maximum d'entropie dans ces processus d'extraction. On présente une nouvelle construction mathématique de ces modèles, autour d'une notion d'indépendance contrainte, spécifiquement adaptée au contexte des itemsets. En s'appuyant sur cette construction et sur des outils de géométrie algébrique, on présente une approche exacte pour le calcul des modèles de maximum d'entropie.Enfin, en s'appuyant sur l'ensemble des recommandations sur la modélisation des processus d'extraction ainsi que sur la notion d'indépendance contrainte, on présente un nouvel algorithme d'extraction.
Fichier principal
Vignette du fichier
2021IMTA0251_Delacroix-Thomas.pdf (1.78 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03286641 , version 1 (15-07-2021)

Identifiants

  • HAL Id : tel-03286641 , version 1

Citer

Thomas Delacroix. Meaningful objective frequency-based interesting pattern mining. Artificial Intelligence [cs.AI]. Ecole nationale supérieure Mines-Télécom Atlantique, 2021. English. ⟨NNT : 2021IMTA0251⟩. ⟨tel-03286641⟩
132 Consultations
226 Téléchargements

Partager

Gmail Facebook X LinkedIn More