Recherche de concepts à partir de données arborescentes et imprécises

Girard, Régis; Ralambondrainy, Henri

Mathématiques informatique et sciences humaines, Tome 147 (1999), pp. 87-111.

Dans cet article, nous proposons un formalisme de représentation de données structurées et imprécises, les Arborescences Symboliques Nuancées (ASN), qui est fondé sur la notion d'attribut-valeur. Les ASN nous permettent de représenter des entités composées de parties et sous-parties dont les caractéristiques peuvent être imprécises, inconnues ou bien inapplicables et prenant en compte les liens pouvant exister entre les valeurs des différentes caractéristiques. Nous nous intéressons à la recherche de concepts à partir d'un ensemble d'entités décrites par les ASN. La définition des concepts repose sur une extension des treillis de Galois au cas de données arborescentes et nuancées. Pour rechercher les concepts, nous présentons un algorithme incrémental permettant de calculer un treillis extrait du treillis de Galois en élagant les concepts trop généraux.

In this article, we propose a formalism (ASN) to deal with imprecise and structured data described with attributes and imprecise values. The ASN allow us to represente entities that are composed with parts and sub-parts ; values may be imprecise, unknown and the attributes may be not applicable. We can also take into account constraints that exist between the values of the attributes. We aim to find concepts from a set of entities described with ASN. Concepts are defined from an extension of the Galois lattice theory to deal with imprecise and structured data. To find concepts, we propose an incremental algorithm that compute a lattice concepts extracted from the Galois lattice where the too general concepts - in regard to a given criteria - are not computed.

[1] Abiteboul S., Hull R. et Vianu V., Foundations of Databases, New-York, Addison-Wesley Publishing Company Inc, 1995. | Zbl

[2] Barbut M. et Montjardet B., Ordre et classification: Algèbre et Combinatoire - volume II, Paris, Hachette, 1970. | Zbl

[3] Bezdek J.C., Pattern Recognition with Fuzzy Objective Function Algorithms, New-York, Plenum, 1981. | MR | Zbl

[4] Bezdek J.C., « A rewiew of probabilistic, fuzzy, and neural models for pattern recognition », J. intell. fuzzy syt., 1(1993), 1-25.

[5] Brissac O. et Liquiere M., « Gabels: Un système d'apprentissage construit sur un modèle d'hypergraphes », Actes des 9e Journées Acquisition, Validation, Apprentissage, 1995, 89-102.

[6] Conruyt N., Amélioration de la robustesse des systèmes d'aide à la description, à la classification et à la détermination des objets biologiques, thèse, Université de Paris IX, 1994.

[7] Conruyt N., Grosser D. et Ralambondrainy H., « IKBS: an interactive knowledge base system for improving description, classification and identification of biological objects », Indo-French Workshop on Symbolic Data Analysis and its Applications, Université de Paris IX - LISE - CEREMADE, 1997, 212-224.

[8] Daniel-Vatonne M.C., Les termes : un modèle de repésentation et structuration de données symboliques, thèse, Université Montpellier II, 1993.

[9] Daniel-Vatonne M.C. et De La Higuera C., « Les termes: un modèle de représentation et structuration de données symboliques », Math. inform. sci. hum., 122(1993), 41-63. | Numdam

[10] Diday E., « Une représentation visuelle des classes empiétantes: les pyramides », R.A.I.R.O., 20(1986), 475-526. | MR | Zbl

[11] Diday E., « Introduction à l'approche symbolique en analyse des données », Actes des journées Symboliques-Numériques pour l'Apprentissage de Connaissances à partir d'Observations, 1987, 21-26.

[12] Ganter B., Two basic algorithm in concept analysis, Technical Report 831, Darmstadt, Technische Hochschule, 1984.

[13] Ganter B. et Wille R., Conceptual scaling, Technical Report 1174, Darmstadt, Technische Hochschule, 1988. | MR

[14] Ginsberg M.L., « Multivalued logics: a uniform approach to inference in artificial intelligence », Computat. intell., 4(1988), 265-316.

[15] Girard R., Classification conceptuelle sur des données arborescentes et imprécises, thèse, Université de La Réunion, 1997.

[16] Godin R., Missaoui R. et Alaoui H., « Incremental concept formation algorithms based on Galois (concept) lattices », Computat. intell., 11(1995), 246-267.

[17] Jappy P., Daniel-Vatonne M.C., De La Higuera C. et Gascuel O., « Learning from recursive, tree structured examples », Proceedings of the seventh European Conference on Machine Learning, LNAI 784, Berlin, Springer, 1994, 367-370.

[18] Lebbe J., Représentation des Concepts en Biologie et en Médecine, thèse, Université Pierre et Marie Curie Paris IV, 1991.

[19] De Pinho M.P., Analyse de données symboliques - Pyramides d'héritage, thèse, Université de Paris XI Dauphine, 1991.

[20] Quinlan J.R., « Learning logical definitions from examples », Machine Learning, Los Altos, Morgan Kaufman, 5(1994), 239-266.

[21] Ralambondrainy H., « Apprentissage dans le contexte d'un schéma de base de données », Induction Symbolique et Numérique à Partir de Données, Paris, Dunod, 1991, 241-255.

[22] Sallantin J., Quinqueton J., Barboux C. et Aubert J.P., « Les théorie semi-empririques: éléments de formalisation », Rev. intell. artif., 5(1991), 93-107.

[23] Wille R., « Restructuring lattice theory: an approach based on hierarchies of concepts », Ordered Sets, I.Rival Ed., 1982, 445-470. | MR | Zbl

[24] Winston P.H., « Learning structural descriptions from examples », The psychology of Computer Vision, New-York, MacGraw Hill, 1975, chapitre 5. | MR