Nantilus
Modèles Relationnels Probabilistes et Incertitude de Références : Apprentissage de structure avec algorithmes de partitionnement
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 p...
Enregistré dans:
| Auteurs principaux : | , , , , , , , |
|---|---|
| Collectivités auteurs : | , , , , |
| Format : | Thèse ou mémoire |
| Langue : | français |
| Titre complet : | Modèles Relationnels Probabilistes et Incertitude de Références : Apprentissage de structure avec algorithmes de partitionnement / Anthony Coutant; sous la direction de Philippe Leray ; co-encadrant de thèse Hoel Le Capitaine |
| Publié : |
2015 |
| Description matérielle : | 1 vol. (202 p.) |
| Condition d'utilisation et de reproduction : | Publication autorisée par le jury |
| Note de thèse : | The se de doctorat : Informatique et applications : Nantes : 2015 |
| Sujets : | |
| Documents associés : | Reproduit comme:
Modèles Relationnels Probabilistes et Incertitude de Références |
| Particularités de l'exemplaire : | BU Sciences, Ex. 1 : Titre temporairement indisponible à la communication |
| 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 typ We are surrounded by heterogeneous and interdependent data. The i.i.d. assumption has shown its limits in the algorithms considering tabular datasets, containing individuals with same data domain and without mutual influence on each other. Statistical relational learning aims at representing knowledge, reasoning, and learning in multi-relational datasets with uncertainty and lifted probabilistic graphical models offer a solution for generative learning in this context. We study in this thesis a type of directed lifted graphical model, called probabilistic relational models, in the context of reference uncertainty, i.e. where dataset s individuals can have uncertainty over both their internal attributes description and their external memberships in associations with others, having the particularity of relying on individuals partitioning functions in order to find out general knowledge. We show existing models limits for learning in this context and propose extensions allowing to use relational clustering methods, more adequate for the problem, and offering a less constrained representation bias permitting extra knowledge discovery, especially between associations types in the relational data domain. |
|---|---|
| Variantes de titre : | Probabilistic Relational Models and Reference Uncertainty. Structure learning with clustering algorithms |
| Notes : | Ecole(s) Doctorale(s) : École doctorale sciences et technologies de l'information et de mathématiques (STIM) (Nantes) Partenaire de recherche : Laboratoire d Informatique de Nantes Atlantique (LINA) (Nantes) (Laboratoire) Autre(s) contribution(s) : Eric Gaussier (Président du jury) ; Rushed Kanawati (Membre du jury) ; Christophe Gonzales, Julien Velcin (Rapporteurs) |
| Bibliographie : | Bibliogr. p.189-202 |