|
Similarité, typicalité et prototypes flous pour données numériques| old_uid | 1367 |
|---|
| title | Similarité, typicalité et prototypes flous pour données numériques |
|---|
| start_date | 2006/06/02 |
|---|
| schedule | 10h |
|---|
| online | no |
|---|
| summary | Un prototype est un élément qui résume et caractérise un ensemble de
données, mettant en évidence ses propriétés principales. D'après les travaux de Rosch (1978), un prototype capture à la fois les points communs des membres de la catégorie qu'il caractérise, et leurs traits distinctifs par rapport à d'autres catégories, soulignant par là leur spécificité. Il fournit de la sorte un représentant significatif de la catégorie, qui aide mieux appréhender ses caractéristiques.
Nous nous intéressons à la mise en oeuvre de cette notion dans le cadre de l'apprentissage artificiel et de l'extraction automatique de connaissances : nous considérons l'implémentation des principes précédents pour permettre la caractérisation de bases de données numériques à un niveau sémantique et interprétable. Nous nous intéressons pour cela aux notions de ressemblance, dissimilarité et typicalité dans le cas de donnes numériques, et nous plaçons dans le cadre de la théorie des sous-ensembles flous pour augmenter l'interprétabilité des résultats. De plus, nous proposons d'étendre ces principes au cas où la base de données n'est pas décomposée en catégories : l'utilisation de degrés de typicalité permet d'extraire des sous-groupes homogènes dans les données, conduisant à l'identification de catégories qui décomposent l'ensemble de données et en fournissent une représentation simplifiée. |
|---|
| responsibles | Tijus, Hoareau |
|---|
| |
|